Question

我在hadoop-1.0.4源代码中读取了SequenceFile.java。我找到sync(long)方法当在MapReduce中将SequenceFile拆分为文件拆分时，它用于在SequenceFile中查找“同步标记”（在文件创建时生成16字节的MD5）。

/** Seek to the next sync mark past a given position.*/
public synchronized void sync(long position) throws IOException {
  if (position+SYNC_SIZE >= end) {
    seek(end);
    return;
  }

  try {
    seek(position+4);                         // skip escape
    in.readFully(syncCheck);
    int syncLen = sync.length;
    for (int i = 0; in.getPos() < end; i++) {
      int j = 0;
      for (; j < syncLen; j++) {
        if (sync[j] != syncCheck[(i+j)%syncLen])
          break;
      }
      if (j == syncLen) {
        in.seek(in.getPos() - SYNC_SIZE);     // position before sync
        return;
      }
      syncCheck[i%syncLen] = in.readByte();
    }
  } catch (ChecksumException e) {             // checksum failure
    handleChecksumException(e);
  }
}

这些代码只是查找包含与“同步标记”相同数据的数据序列。

我怀疑：
考虑一种情况，其中SequenceFile中的数据恰好包含与“sync marker”相同的16字节数据序列，上面的代码会错误地将该16字节数据视为“同步标记”，然后SequenceFile将不会正确解析？

我没有找到关于数据或同步标记的任何“转义”操作。 SequenceFile如何是二进制安全的？我错过了什么吗？

Answer 1

冲突在技术上是可行的，但实际上它们极不可能。

来自http://search-hadoop.com/m/VYVra2krg5t1：

给定随机的概率 16字节字符串出现在一PB（均匀分布）的数据中约10 ^ -23。您的数据中心更有可能被淘汰陨石（http://preshing.com/20110504/hash-collision-probabilities）。

Hadoop SequenceFile二进制文件是否安全？

1 个答案: