Question

我正在处理UUIDs的流。我的最终目标是随机将这些数字分成10个桶，即将它们中的每一个放入10个桶中的任何一个桶中，以便任何给定的时刻，如果我处理了来自该流的N UUID号码我每个桶中应该有大约N/10个数字。我提出了以下想法：

获取与给定UUID等效的16字节数组（因为每个UUID具有128位）
添加16个字节的无符号值以获得正整数sum。
获取sum modulo 100值。
模数值将属于10个桶中的任何一个，具体取决于其值：Bucket 1：[0,9]，Bucket 2：[10,19]，.....，Bucket 10：[90,99 ]

我尝试了接近大约200,000个UUID的实验（并且用8个不同的流做了），观察到每个桶有接近10％的总数（在9.85％到10.15％的范围内），这似乎是相当随意。我的问题是：

如果我不是只取16个字节的总和，而是取代MD5的哈希值（比如说UUID哈希），然后执行这些步骤，我会不会更好有机会随机分割它们吗？一个更普遍的问题是，是否有一种数学方法可视化哈希可以在这些场景中提供帮助？
如果您同意第（1）点，那么应该采用什么样的优良哈希算法来做同样的事情。
如果你不同意第（1）点，那么你能否建议我做一个更好的算法。

Answer 1

实际上，您所描述的算法确实实现了哈希函数，因为它将UUID的空间映射到一组固定大小的数字，即一组从1到10的数字。

您的问题1.然后成为您的算法定义的哈希函数的输出均匀分布的问题。

您的哈希函数是否比MD5更好地分配了输出，很难说是先验的，因为这将取决于输入流的分配。但是，语言库（例如MD5）中附带的哈希函数通常实现启发式，以避免明显不幸的分发发生冲突。一个具体的例子：说您的输入流仅包含集合中的UUID

00000000-0000-0000-0000-000000000001
00000000-0000-0000-0000-000000000010
.
.
.
10000000-0000-0000-0000-000000000000

然后所有这些都将映射到存储区1，而MD5可能会混乱。

您可以使用chi-squared test来衡量哈希函数对输入样本的效果。