首先,先简单说明一下有关BM算法的一些基本概念。
BM算法是一种精确字符串匹配算法(区别于模糊匹配)。
BM算法采用从右向左比较 的方法,同时应用到了两种启发式规则,即坏字符规则 和好后缀规则,来决定向右跳跃的距离。
BM算法的基本流程: 设文本串T,模式串为P。首先将T与P进行左对齐,然后进行从右向左比较 ,如下图所示:
若是某趟比较不匹配时,BM算法就采用两条启发式规则,即坏字符规则 和好后缀规则 ,来计算模式串向右移动的距离,直到整个匹配过程的结束。
下面,来详细介绍一下坏字符规则 和好后缀规则 。
首先,诠释一下坏字符和好后缀的概念。
请看下图:
图中,第一个不匹配的字符(红色部分)为坏字符,已匹配部分(绿色)为好后缀。
1)坏字符规则(Bad Character):
在BM算法从右向左扫描的过程中,若发现某个字符x不匹配,则按如下两种情况讨论:
i. 如果字符x在模式P中没有出现,那么从字符x开始的m个文本显然不可能与P匹配成功,直接全部跳过该区域即可。
ii. 如果x在模式P中出现,则以该字符进行对齐。
用数学公式表示,设Skip(x)为P右移的距离,m为模式串P的长度,max(x)为字符x在P中最右位置。
例1:
下图红色部分,发生了一次不匹配。
计算移动距离Skip(c) = 5 - 3 = 2,则P向右移动2位。
移动后如下图:
2)好后缀规则(Good Suffix):
若发现某个字符不匹配的同时,已有部分字符匹配成功,则按如下两种情况讨论:
i. 如果在P中位置t处已匹配部分P'在P中的某位置t'也出现,且位置t'的前一个字符与位置t的前一个字符不相同,则将P右移使t'对应t方才的所在的位置。
ii. 如果在P中任何位置已匹配部分P'都没有再出现,则找到与P'的后缀P''相同的P的最长前缀x,向右移动P,使x对应方才P''后缀所在的位置。
用数学公式表示,设Shift(j)为P右移的距离,m为模式串P的长度,j 为当前所匹配的字符位置,s为t'与t的距离(以上情况i)或者x与P''的距离(以上情况ii)。
以上过程有点抽象,所以我们继续图解。
例2:
下图中,已匹配部分cab(绿色)在P中再没出现。
再看下图,其后缀T'(蓝色)与P中前缀P'(红色)匹配,则将P'移动到T'的位置。
移动后如下图:
自此,两个规则讲解完毕。
在BM算法匹配的过程中,取SKip(x)与Shift(j)中的较大者作为跳跃的距离。
BM算法预处理时间复杂度为O(m+s),空间复杂度为O(s),s是与P, T相关的有限字符集长度,搜索阶段时间复杂度为O(m·n)。
最好情况下的时间复杂度为O(n/m),最坏情况下时间复杂度为O(m·n)。
BM算法的实现很复杂,但是高手程序员就是能写出令人敬佩的代码。
当然,高手程序员不是指我自己,是SNORT2.7.0的设计者/实现者之一。
下面是SNORT2.7.0中提取出的代码。
我将以行注的形式进行讲解。
- /*
- 函数:int* MakeSkip(char *, int)
- 目的:根据坏字符规则做预处理,建立一张坏字符表
- 参数:
- ptrn => 模式串P
- PLen => 模式串P长度
- 返回:
- int* - 坏字符表
- */
- int* MakeSkip(char *ptrn, int pLen)
- {
- int i;
- //为建立坏字符表,申请256个int的空间
- /*PS:之所以要申请256个,是因为一个字符是8位,
- 所以字符可能有2的8次方即256种不同情况*/
- int *skip = (int*)malloc(256*sizeof(int));
-
- if(skip == NULL)
- {
- fprintf(stderr, "malloc failed!");
- return 0;
- }
-
- //初始化坏字符表,256个单元全部初始化为pLen
- for(i = 0; i < 256; i++)
- {
- *(skip+i) = pLen;
- }
-
- //给表中需要赋值的单元赋值,不在模式串中出现的字符就不用再赋值了
- while(pLen != 0)
- {
- *(skip+(unsigned char)*ptrn++) = pLen--;
- }
-
- return skip;
- }
-
-
- /*
- 函数:int* MakeShift(char *, int)
- 目的:根据好后缀规则做预处理,建立一张好后缀表
- 参数:
- ptrn => 模式串P
- PLen => 模式串P长度
- 返回:
- int* - 好后缀表
- */
- int* MakeShift(char* ptrn,int pLen)
- {
- //为好后缀表申请pLen个int的空间
- int *shift = (int*)malloc(pLen*sizeof(int));
- int *sptr = shift + pLen - 1;//方便给好后缀表进行赋值的指标
- char *pptr = ptrn + pLen - 1;//记录好后缀表边界位置的指标
- char c;
-
- if(shift == NULL)
- {
- fprintf(stderr,"malloc failed!");
- return 0;
- }
-
- c = *(ptrn + pLen - 1);//保存模式串中最后一个字符,因为要反复用到它
-
- *sptr = 1;//以最后一个字符为边界时,确定移动1的距离
-
- pptr--;//边界移动到倒数第二个字符(这句是我自己加上去的,因为我总觉得不加上去会有BUG,大家试试“abcdd”的情况,即末尾两位重复的情况)
-
- while(sptr-- != shift)//该最外层循环完成给好后缀表中每一个单元进行赋值的工作
- {
- char *p1 = ptrn + pLen - 2, *p2,*p3;
-
- //该do...while循环完成以当前pptr所指的字符为边界时,要移动的距离
- do{
- while(p1 >= ptrn && *p1-- != c);//该空循环,寻找与最后一个字符c匹配的字符所指向的位置
-
- p2 = ptrn + pLen - 2;
- p3 = p1;
-
- while(p3 >= ptrn && *p3-- == *p2-- && p2 >= pptr);//该空循环,判断在边界内字符匹配到了什么位置
-
- }while(p3 >= ptrn && p2 >= pptr);
-
- *sptr = shift + pLen - sptr + p2 - p3;//保存好后缀表中,以pptr所在字符为边界时,要移动的位置
- /*
- PS:在这里我要声明一句,*sptr = (shift + pLen - sptr) + p2 - p3;
- 大家看被我用括号括起来的部分,如果只需要计算字符串移动的距离,那么括号中的那部分是不需要的。
- 因为在字符串自左向右做匹配的时候,指标是一直向左移的,这里*sptr保存的内容,实际是指标要移动
- 距离,而不是字符串移动的距离。我想SNORT是出于性能上的考虑,才这么做的。
- */
-
- pptr--;//边界继续向前移动
- }
-
- return shift;
- }
-
-
- /*
- 函数:int* BMSearch(char *, int , char *, int, int *, int *)
- 目的:判断文本串T中是否包含模式串P
- 参数:
- buf => 文本串T
- blen => 文本串T长度
- ptrn => 模式串P
- PLen => 模式串P长度
- skip => 坏字符表
- shift => 好后缀表
- 返回:
- int - 1表示成功(文本串包含模式串),0表示失败(文本串不包含模式串)。
- */
- int BMSearch(char *buf, int blen, char *ptrn, int plen, int *skip, int *shift)
- {
- int b_idx = plen;
- if (plen == 0)
- return 1;
- while (b_idx <= blen)//计算字符串是否匹配到了尽头
- {
- int p_idx = plen, skip_stride, shift_stride;
- while (buf[--b_idx] == ptrn[--p_idx])//开始匹配
- {
- if (b_idx < 0)
- return 0;
- if (p_idx == 0)
- {
- return 1;
- }
- }
- skip_stride = skip[(unsigned char)buf[b_idx]];//根据坏字符规则计算跳跃的距离
- shift_stride = shift[p_idx];//根据好后缀规则计算跳跃的距离
- b_idx += (skip_stride > shift_stride) ? skip_stride : shift_stride;//取大者
- }
- return 0;
- }