Geert's similarity
authorJunio C Hamano <junkio@cox.net>
Mon, 17 Apr 2006 04:07:32 +0000 (21:07 -0700)
committerJunio C Hamano <junkio@cox.net>
Mon, 17 Apr 2006 04:21:46 +0000 (21:21 -0700)
Define a function to compute similarity score 0.0<=score<=1.0

Signed-off-by: Junio C Hamano <junkio@cox.net>
gsimm.c
gsimm.h
test-gsimm.c

diff --git a/gsimm.c b/gsimm.c
index 7024bf8..bd646eb 100644 (file)
--- a/gsimm.c
+++ b/gsimm.c
@@ -1,3 +1,4 @@
+#include <string.h>
 #include "rabinpoly.h"
 #include "gsimm.h"
 
@@ -32,6 +33,29 @@ static void freq_to_md(u_char *md, int *freq)
   bzero (freq, sizeof(freq[0]) * MD_BITS);
 }
 
+static int dist (u_char *l, u_char *r)
+{ int j, k;
+  int d = 0;
+
+  for (j = 0; j < MD_LENGTH; j++)
+  { u_char ch = l[j] ^ r[j];
+
+    for (k = 0; k < 8; k++) d += ((ch & (1<<k)) > 0);
+  }
+
+  return d;
+}
+
+double gb_simm_score(u_char *l, u_char *r)
+{
+       int d = dist(l, r);
+       double sim = (double) (d) / (MD_LENGTH * 4 - 1);
+       if (1.0 < sim)
+               return 0;
+       else
+               return 1.0 - sim;
+}
+
 void gb_simm_process(u_char *data, unsigned len, u_char *md)
 { size_t j = 0;
   u_int32_t ofs;
@@ -39,6 +63,11 @@ void gb_simm_process(u_char *data, unsigned len, u_char *md)
   u_int32_t count [MD_BITS * (GROUP_COUNTERS/GROUP_BITS)];
   int freq[MD_BITS];
 
+  if (len < GB_SIMM_MIN_FILE_SIZE || GB_SIMM_MAX_FILE_SIZE < len) {
+         memset(md, 0, MD_LENGTH);
+         return;
+  }
+
   bzero (freq, sizeof(freq[0]) * MD_BITS);
   bzero (dup_cache, DUP_CACHE_SIZE * sizeof (u_int32_t));
   bzero (count, (MD_BITS * (GROUP_COUNTERS/GROUP_BITS) * sizeof (u_int32_t)));
diff --git a/gsimm.h b/gsimm.h
index 4b023b9..17fab32 100644 (file)
--- a/gsimm.h
+++ b/gsimm.h
    In order to get at least an average of 12 samples
    per bit in the final message digest, require at least 3 * MD_LENGTH
    complete windows in the file.  */
-#define MIN_FILE_SIZE (3 * MD_LENGTH + 2 * (RABIN_WINDOW_SIZE - 1))
+#define GB_SIMM_MIN_FILE_SIZE (3 * MD_LENGTH + 2 * (RABIN_WINDOW_SIZE - 1))
 
 /* Limit matching algorithm to files less than 256 MB, so we can use
    32 bit integers everywhere without fear of overflow. For larger
    files we should add logic to mmap the file by piece and accumulate
    the frequency counts. */
-#define MAX_FILE_SIZE (256*1024*1024 - 1)
+#define GB_SIMM_MAX_FILE_SIZE (256*1024*1024 - 1)
 
 void gb_simm_process(u_char *data, unsigned len, u_char *md);
+double gb_simm_score(u_char *l, u_char *r);
 
 #endif
index bd28b7d..b1e7939 100644 (file)
@@ -58,19 +58,6 @@ void usage()
    exit (1);
 }
 
-int dist (u_char *l, u_char *r)
-{ int j, k;
-  int d = 0;
-
-  for (j = 0; j < MD_LENGTH; j++)
-  { u_char ch = l[j] ^ r[j];
-
-    for (k = 0; k < 8; k++) d += ((ch & (1<<k)) > 0);
-  }
-
-  return d;
-}
-
 char *md_to_str(u_char *md)
 { int j;
 
@@ -102,8 +89,8 @@ void process_file (char *name)
     exit (2);
   }
 
-  if (fs.st_size >= MIN_FILE_SIZE
-      && fs.st_size <= MAX_FILE_SIZE)
+  if (fs.st_size >= GB_SIMM_MIN_FILE_SIZE
+      && fs.st_size <= GB_SIMM_MAX_FILE_SIZE)
   { fi->length = fs.st_size;
     fi->name = name;
 
@@ -116,13 +103,11 @@ void process_file (char *name)
 
     gb_simm_process (data, fs.st_size, fi->md);
     if (flag_relative)
-    { int d = dist (fi->md, relative_md);
-      double sim = 1.0 - MIN (1.0, (double) (d) / (MD_LENGTH * 4 - 1));
-      fprintf (stdout, "%s %llu %u %s %u %3.1f\n",
-               md_to_str (fi->md), (long long unsigned) 0,
-              (unsigned) fs.st_size, name,
-               d, 100.0 * sim);
-    }
+           fprintf (stdout, "%s %llu %u %s %u %3.1f\n",
+                    md_to_str (fi->md), (long long unsigned) 0,
+                    (unsigned) fs.st_size, name,
+                    (unsigned) 0,
+                    100.0 * gb_simm_score(fi->md, relative_md));
     else
     {
       fprintf (stdout, "%s %llu %u %s\n",