Array-of-strings tuple sketch: key hashing is incompatible with Java (UTF-8 vs UTF-16)
Maintainer thường phản hồi trong vòng 1 ngày
Chưa có ai nhận issue này.
Đánh giá
- Độ khó
- 4/5
- Thời gian dự kiến
- 3-5 ngày
- Mức phù hợp với người mới
- 68/100
- Loại issue
- Lỗi
- Độ rõ ràng
- Đặc tả rõ ràng
- Mức độ hoạt động
- Sôi nổi
- Lĩnh vực
- data, testing-qa
Hướng nghiên cứu
Start in tuple/include/array_of_strings_sketch_impl.hpp at hash_array_of_strings_key, then inspect the Java stringArrHash behavior and the datasketches-tck AoS snapshots. Add or update AosSketchCrossLanguageTest to compare C++ hashes with the Java snapshots, including aos_unicode, and update the header comment. Done means the cross-language hash sets match and the existing snapshots remain readable.
Do mô hình lập chỉ mục viết ra từ nội dung của issue.
Mô tả
@proost, while checking cross-language binary compatibility of the tuple sketches against the snapshots in datasketches-tck, we found that the C++ array-of-strings (AoS) tuple sketch hashes keys differently from Java. For the same keys, C++ and Java produce completely different hashes, so their sketches cannot be meaningfully combined.
Evidence
Comparing the TCK snapshots aos_*_cpp.sk and aos_*_java.sk, generated from the same keys:
| Case | Retained (Java / C++) | Hashes in common |
|---|---|---|
aos_1_n10 |
10 / 10 | 0 |
aos_1_n1000 |
1000 / 1000 | 0 |
aos_multikey_n1000 |
1000 / 1000 | 0 |
aos_unicode |
3 / 3 | 0 |
Each language reads the other's files without error, so nothing fails visibly. But a union of a Java sketch and a C++ sketch built from the same keys double-counts every key, and an intersection comes out empty.
Cause
The seed (0x7A3CCA71) and the , separator match Java, but the bytes that get hashed don't:
- Java (
tuple/Util.stringArrHash) hashes the joined key as UTF-16 code units:final String s = stringConcat(strArray); // joined with ',' return hashCharArr(s.toCharArray(), 0, s.length(), PRIME);XxHash.hashCharArrhashes eachcharas 2 bytes, little-endian. - C++ (
hash_array_of_strings_keyintuple/include/array_of_strings_sketch_impl.hpp) hashes the UTF-8 bytes of each string.
Why C++ and Go should change, not Java
All three implementations need to agree. The cost of changing each one differs a lot:
- Java has shipped its AoS sketch for years. Changing its hashing would make every AoS sketch Java users have already saved incompatible with new ones. It would also break Java's compatibility with itself across versions. Java also hashes UTF-16 deliberately: that is how Java stores strings, so it can hash them without first converting them.
- C++ has never released its AoS sketch (#476). Changing it now affects no users.
- Go released its AoS sketch only recently, in v0.2.0. As a pre-1.0 library, it can make breaking changes between minor versions, provided the release notes call them out.
So Java is the reference, and C++ and Go should match it.
Why this issue wasn't caught earlier
Our current cross-language tests only check that the .sk files can be read, not that the hashes match. We discovered this only recently, when we began Cross-Language Binary (CLB) testing.
Proposed fix
- In
hash_array_of_strings_key, convert each key string from UTF-8 to UTF-16 code units, using surrogate pairs for code points above U+FFFF. Hash the code units as little-endian bytes, with,as2c 00between strings. Invalid UTF-8 should throwstd::invalid_argument. - Add a test that builds sketches in C++ from the same keys as the Java generators (
AosSketchCrossLanguageTest) and requires the hash sets to equal those in the Java.skfiles, includingaos_unicode. - Update the header comment, which currently says the hashing matches Java.
We have verified this approach: with UTF-8 to UTF-16LE conversion, C++ reproduces the hashes in every Java AoS snapshot exactly. That includes aos_unicode, whose keys contain Korean, Cyrillic and emoji outside the BMP (🔑, 🗝️), and the multikey and 1,000,000-item cases. Apart from the hashing, the format already matches: every multi-entry Java AoS snapshot round-trips through C++ byte for byte.
Optional, while in this code: compact_array_of_strings_tuple_sketch::serialize() has no default serde, unlike deserialize(). Calling it without passing default_array_of_strings_serde<>() compiles but fails at link time with an undefined serde<array<std::string>> symbol.
Timing
The C++ AoS sketch (#476) has not been released yet. We'd like to fix this before 5.3.0, which we plan to release very soon, so that the first release is compatible with Java. Otherwise, fixing it later would invalidate C++ users' saved sketches.
Could you take this on in the next few days? If you're short on time, let us know and we can prepare the PR for your review.
Go has the same issue; see apache/datasketches-go#191.
- Ngôn ngữ chính
- C++
- Star
- 274
- Fork
- 89
- Merge trung bình
- 1 ngày 11 giờ
- Pull request đã merge (30 ngày)
- 17
Chuẩn bị môi trường
- Không có Dockerfile hay tệp Docker Compose
- Không có mẫu pull request
- Đọc hướng dẫn đóng góp
Bắt đầu từ đâu
- Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
- Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
- Fork repository và làm thay đổi trên một nhánh.
- Mở pull request có tham chiếu số hiệu của issue.
Issue khác của apache/datasketches-cpp
-
Độ khó 5/5 Hơn một tuần Mức phù hợp với người mới 35/100
apache/datasketches-cpp#502 · 12 bình luận · 1 reaction ·
Maintainer thường phản hồi trong vòng 1 ngày
-
Reorganization proposalĐang mở
Độ khó 5/5 Hơn một tuần Mức phù hợp với người mới 20/100
apache/datasketches-cpp#419 · 6 bình luận ·
Maintainer thường phản hồi trong vòng 1 ngày
-
Độ khó 5/5 Hơn một tuần Mức phù hợp với người mới 25/100
apache/datasketches-cpp#416 · 13 bình luận ·
Maintainer thường phản hồi trong vòng 1 ngày
-
Độ khó 5/5 Hơn một tuần Mức phù hợp với người mới 25/100
apache/datasketches-cpp#157 · 4 bình luận ·
Maintainer thường phản hồi trong vòng 1 ngày
Tất cả issue của apache/datasketches-cpp
Issue tương tự
-
Độ khó 2/5 1-3 giờ Mức phù hợp với người mới 88/100
MerginMaps/mobile#4741 ·
Maintainer thường phản hồi trong vòng 1 ngày
-
Độ khó 2/5 1-3 giờ Mức phù hợp với người mới 85/100
Icinga/icinga2#11077 · 1 bình luận ·
Maintainer thường phản hồi trong vòng 1 ngày
-
Độ khó 2/5 1-3 giờ Mức phù hợp với người mới 66/100
-
agent:WSL bug linux LOW ui
Độ khó 1/5 Dưới một giờ Mức phù hợp với người mới 78/100
Maintainer thường phản hồi trong vòng 1 ngày
-
Copter: PosHold brake-entry threshold became 16 deg instead of 0.16 deg after the radians conversionCó thể đã có người làm Có pull request liên kết đang mở hoặc đã được merge. Đang mở
Độ khó 1/5 Dưới một giờ Mức phù hợp với người mới 78/100
ArduPilot/ardupilot#34617 · 1 bình luận · 1 reaction ·
Maintainer thường phản hồi trong vòng 1 ngày