[论文解读] Guess & Check Codes for Deletions, Insertions, and Synchronization

Serge Kas Hanna, Salim El Rouayheb|arXiv (Cornell University)|May 24, 2017

DNA and Biological Computing参考文献 17被引用 3

一句话总结

本文提出了一种名为 Guess & Check (GC) 的新码族，这是一种系统化、显式构造的编码方式，可在高概率下纠正最多恒定数量的删除或插入错误，且冗余度为对数级别。该方法利用有限域上的多项式哈希以及具有有界失败概率的 probabilistic 解码，从而在分布式系统中实现高效的文件同步，通信开销极低。

ABSTRACT

We consider the problem of constructing codes that can correct $\delta$ deletions occurring in an arbitrary binary string of length $n$ bits. Varshamov-Tenengolts (VT) codes, dating back to 1965, are zero-error single deletion $(\delta=1)$ correcting codes, and have an asymptotically optimal redundancy. Finding similar codes for $\delta \geq 2$ deletions remains an open problem. In this work, we relax the standard zero-error (i.e., worst-case) decoding requirement by assuming that the positions of the $\delta$ deletions (or insertions) are independent of the codeword. Our contribution is a new family of explicit codes, that we call Guess & Check (GC) codes, that can correct with high probability up to a constant number of $\delta$ deletions (or insertions). GC codes are systematic; and have deterministic polynomial time encoding and decoding algorithms. We also describe the application of GC codes to file synchronization.

研究动机与目标

• 设计可纠正多重删除且冗余度低的系统化码，以实现实际文件同步。
• 通过允许一个较小且有界的解码失败概率，放松最坏情况下的零错误解码要求。
• 通过最小化传输的校验位数量，实现高效的远程文件同步。
• 构造显式可计算、可在多项式时间内编码和解码的码，适用于 δ 个删除错误，其中 δ 为常数。
• 在保持系统级效率的同时，将 VT 码的适用范围从单个删除纠正推广至更广范围。

提出的方法

• 采用系统化编码方案，将消息比特分组并映射到有限域 GF(q)，其中 q = 2^ℓ。
• 在 GF(q) 上使用基于多项式的校验码生成冗余，其系数源自 MDS 码的生成矩阵。
• 应用“猜测与验证”解码策略：解码器猜测 δ 个删除的位置，并利用多项式方程验证一致性。
• 通过 GF(q) 中的组合与代数约束，对可能的删除位置组合数量进行上界估计，证明其不超过 2^{δ²}。
• 利用全概率公式推导出失败概率的上界，当 ℓ = Ω(log k) 时，该上界随 k → ∞ 而趋于零。
• 利用有限域算术确保二进制向量到域元素的唯一映射，从而在给定比特类型下实现唯一解的恢复。

实验结果

研究问题

• RQ1 能否构造出具有对数冗余和多项式时间编码/解码能力的系统化码，以纠正多重删除？
• RQ2 在有界解码失败概率下，最多可处理多少个删除位置？
• RQ3 如何通过减少传输的校验位数量来提升文件同步的系统级效率？
• RQ4 在对消息和删除分布做出合理假设的前提下，能否使解码失败概率渐近趋于零？
• RQ5 在概率性删除纠正码中，冗余度、解码复杂度与失败概率之间的权衡关系如何？

主要发现

• GC 码实现了对数冗余，具体为 δ 个删除时的 O(δ log n)，对常数 δ 而言具有渐近最优性。
• 解码失败概率的上界为 O((k/ℓ)^δ / 2^{ℓ(c−δ)}），当 ℓ = Ω(log k) 时，随着 k → ∞ 而趋于零。
• 可能的删除位置组合数量上界为 2^{δ²}，与块大小 k 无关。
• 编码与解码均在确定性多项式时间内完成，编码复杂度为 O(kℓ)，解码复杂度为 O(k^{δ+1}/ℓ^{δ−1})。
• GC 码为系统化且显式可构造，可直接应用于远程文件同步。
• 该方法在保持低冗余和高效解码的同时，将 VT 码的适用范围从单个删除纠正推广至更广范围。