文件相似性判断 -- 超级特征值super feature

     基于内容的变长分块（CDC）技术，可以用来对文件进行变长分块，而后用来进行重复性检测，广泛用于去重系统中。后来又出现了对相似数据块进行delta压缩，进一步节省存储开销。所以就需要一种高效的相似性检测算法，在论文 WAN Optimized Replication of Backup Datasets Using Stream-Informed Delta Compression 提出的super-features 算法具有很好的效果。主要思想是在滑动窗口进行分块的过程中，通过一个窗口的rabin fingerprint 我们可以随机的得到一个数值，如果它比这个块中所有窗口w的rabin指纹都大，就把它记为一个特征值 feature-i，通过这样的方法得到的多个feature，计算rabin 指纹得到的就是超级特征值SF，下图每个SF有四个特征值得到。

下面是对几个文件简单的测试结果，这里每个文件生成俩超级特征值（如果两个文件有一个super feature一样，就可以认为它们相似性很高），效果比simhash好（缺乏大量数据集论证）。

F1,F2,F3 分别在F的基础上头，尾，中间加入额外字节，发现得到的两个超级特征值都一样 Supfeature[0]=5465959093573163876，Supfeature[1]=7673021043978770954。

F4是一个完全不同的文件， Supfeature[0]=2682386775420212619，Supfeature[1]=3509276326591445061。

参考：

1. Philip Shilane-WAN Optimized Replication of Backup Datasets Using Stream-Informed Delta Compression

2.some applications of rabin's fingerprinting method.