[论文解读] Substring Range Reporting

Philip Bille, Inge Li Goertz|arXiv (Cornell University)|Aug 18, 2011

Algorithms and Data Compression被引用 13

一句话总结

本文通过将位置受限子串搜索和基于间隔的索引等难题简化为单一问题——子串范围报告，提出了一种统一的字符串索引范围报告框架。该方法结合后缀树与范围报告数据结构，创新性地实现了 $O(m + \mathrm{occ})$ 的最优查询时间与 $O(n\log^{O(1)}n)$ 的空间复杂度，显著改进了多种字符串索引变体的时间-空间权衡。

ABSTRACT

We revisit various string indexing problems with range reporting features, namely, position-restricted substring searching, indexing substrings with gaps, and indexing substrings with intervals. We obtain the following main results. {itemize} We give efficient reductions for each of the above problems to a new problem, which we call \emph{substring range reporting}. Hence, we unify the previous work by showing that we may restrict our attention to a single problem rather than studying each of the above problems individually. We show how to solve substring range reporting with optimal query time and little space. Combined with our reductions this leads to significantly improved time-space trade-offs for the above problems. In particular, for each problem we obtain the first solutions with optimal time query and $O(n\log^{O(1)} n)$ space, where $n$ is the length of the indexed string. We show that our techniques for substring range reporting generalize to \emph{substring range counting} and \emph{substring range emptiness} variants. We also obtain non-trivial time-space trade-offs for these problems. {itemize} Our bounds for substring range reporting are based on a novel combination of suffix trees and range reporting data structures. The reductions are simple and general and may apply to other combinations of string indexing with range reporting.

研究动机与目标

• 解决扩展字符串索引问题中缺乏最优时间-空间权衡的不足，尤其针对具有范围报告功能的问题。
• 将位置受限子串搜索、基于间隔的索引等不同问题统一到单一抽象——子串范围报告之下。
• 设计一种支持最优查询时间（$O(m + \mathrm{occ})$）与 $O(n\log^{O(1)}n)$ 空间的子串范围报告数据结构。
• 将该解决方案推广至子串范围计数与空性检测变体，实现非平凡的时间-空间权衡。
• 提供从多种字符串索引问题到子串范围报告的简洁通用归约，提升核心技术的广泛适用性。

提出的方法

• 将子串范围报告引入为统一问题：在带标签字符串 $S$ 中报告模式 $P$ 的所有起始位置，其中每个位置的标签落在给定范围 $[a,b]$ 内。
• 结合后缀树用于模式匹配与二维范围报告数据结构，以高效回答查询。
• 根据字符串深度将后缀树划分为上部与下部，以平衡空间与查询时间。
• 对上部树中的节点使用一维范围报告结构，对下部树使用单一二维范围报告结构。
• 利用先进的范围报告数据结构（如 Alstrup 等人与 Chan 等人的工作）实现最优查询时间与次线性空间。
• 通过将底层二维数据结构适配为计数与空性操作，将相同框架应用于子串范围计数与空性检测。

实验结果

研究问题

• RQ1 我们能否将多种具有范围报告功能的字符串索引问题统一为一个通用问题？
• RQ2 是否可能在 $O(n\log^{O(1)}n)$ 空间下实现子串范围报告的最优 $O(m + \mathrm{occ})$ 查询时间？
• RQ3 所提出的技术能否推广至子串范围计数与空性检测变体？
• RQ4 在新框架下，子串范围计数与空性检测的可实现时间-空间权衡为何？
• RQ5 从具体问题（如位置受限子串搜索）到子串范围报告的归约是否简洁且具通用性？

主要发现

• 本文提出一种新颖的子串范围报告数据结构，支持 $O(m + \mathrm{occ})$ 查询时间，空间复杂度为 $O(n(\log^\varepsilon n + \log\log u))$，其中 $\varepsilon > 0$ 为任意常数。
• 对于位置受限子串搜索，该方法实现 $O(n\log^\varepsilon n)$ 空间与 $O(m + \mathrm{occ})$ 查询时间，优于以往需 $\Omega(n^{1+\varepsilon})$ 空间的最优查询解法。
• 子串范围计数通过 $O(n\log n / \log\log n)$ 空间与 $O(m + \log\log u)$ 查询时间解决，去除了查询时间中的 $\log n / \log\log n$ 因子，代价是空间中增加 $\log n / \log\log n$ 因子。
• 子串范围空性检测通过 $O(n\log\log u)$ 空间与 $O(m)$ 查询时间实现，达到最优查询时间，且预处理时间期望为 $O(n(\log n + \log^\delta u))$，其中 $\delta > 0$ 为任意常数。
• 从多种字符串索引问题到子串范围报告的归约简洁且具通用性，使核心技术具备广泛适用性。
• 该框架表明，将后缀树与先进的二维范围报告结构结合，可在次线性空间下实现最优查询性能，突破了以往方法在查询时间中存在 $\Omega(\log\log u)$ 或空间复杂度中存在 $\Omega(n^{1+\varepsilon})$ 的局限。