[论文解读] Communication and Streaming Complexity of Approximate Pattern Matching

Djamal Belazzougui|arXiv (Cornell University)|Nov 30, 2015

Algorithms and Data Compression参考文献 11被引用 12

一句话总结

本论文提出了首个在编辑距离下高效确定性的一路文档交换协议，实现了 O(n·polylog(n)) 的编码/解码时间与 O(k² + k log²n) 的消息大小。它利用确定性字符串采样和周期性性质，从紧凑且抗错误的签名中实现对二进制字符串的鲁棒重建，从而构建一种新型纠错码，可抵御对抗性编辑错误，具备近线性时间复杂度与冗余度 O(k³ + k² log²n)。

ABSTRACT

Suppose that we have two parties that possess each a binary string. Suppose that the length of the first string (document) is $n$ and that the two strings (documents) have edit distance (minimal number of deletes, inserts and substitutions needed to transform one string into the other) at most $k$. The problem we want to solve is to devise an efficient protocol in which the first party sends a single message that allows the second party to guess the first party's string. In this paper we show an efficient deterministic protocol for this problem. The protocol runs in time $O(n\cdot \mathtt{polylog}(n))$ and has message size $O(k^2+k\log^2n)$ bits. To the best of our knowledge, ours is the first efficient deterministic protocol for this problem, if efficiency is measured in both the message size and the running time. As an immediate application of our new protocol, we show a new error correcting code that is efficient even for large numbers of (adversarial) edit errors.

研究动机与目标

• 解决设计编辑距离下高效确定性一路文档交换协议的开放问题。
• 在任意 k 下同时实现低消息大小与多项式时间编码/解码。
• 构建一种可扩展的纠错码，能抵御对抗性编辑错误，具备近线性时间复杂度。
• 克服先前随机化方案的局限性，以及先前确定性码在效率或 k 值受限方面的不足。

提出的方法

• 通过 Vishkin 引理使用确定性字符串采样，为子串生成紧凑且唯一的签名。
• 应用周期性引理（Fine-Wilf 及相关引理）识别并消除字符串匹配中的虚假匹配。
• 将文档分层分解为块，递归地根据周期长度与确定性采样计算签名。
• 对块签名使用 Reed-Solomon 编码，以在消息中实现抗错误能力。
• 使用 (2k+1)-重复码保护最终消息，以容忍传输签名中最多 k 次编辑错误。
• 将所有组件整合为单轮、一路协议：发送方传输紧凑签名，接收方利用周期性与签名匹配重建原始字符串。

实验结果

研究问题

• RQ1 能否设计出一种确定性、一路文档交换协议，在任意 k 下同时实现低消息大小与多项式时间复杂度？
• RQ2 是否可能在保持多项式时间解码的同时，使消息大小接近信息论下界 Θ(k log(n/k))？
• RQ3 此类协议能否用于构建高效对抗性编辑错误的纠错码？
• RQ4 在不牺牲效率或正确性的前提下，如何用确定性字符串签名替代此场景下的随机化签名（如 Rabin-Karp）？
• RQ5 确定性码在 n 的多项式时间内纠正 k 个对抗性编辑错误，其最小冗余量是多少？

主要发现

• 协议实现消息大小为 O(k² + k log²n) 位，这是首个在效率与正确性上均成立的确定性界。
• 编码与解码时间为 O(n·polylog(n))，适用于大规模输入与任意 k，具备高效性。
• 该协议可构建一种冗余度为 O(k³ + k² log²n) 位的新纠错码，可扩展至 k = O(n^{1/3})。
• 该方案对对抗性编辑错误具有鲁棒性，即使消息被最多 k 次编辑破坏，接收方仍能重建原始字符串。
• 通过使用确定性采样与周期性引理，确保了正确性，且不依赖随机性，与先前的随机化协议形成对比。
• 与先前确定性方法相比，该协议在消息大小与时间复杂度方面表现更优，尤其在 k 较大时优势显著。