hashCode，MD5，SHA-1的区别和碰撞量级

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/luo4105/article/details/103142144

在java中，默认使用hashCode生成对象的hash值，它在一定程度上可以作为对象的唯一表示。同时还有MD5，SHA-1这些也可以计算文件/对象的hash值，标志唯一，那它们之间有什么区别呢。

hashcode，md5，SHA-1都是散列加密算法，其中hashcode长度为32位，md5为128位，sha-1为160位。位数越大，这个数据的数据量就越大，重复的几率越小，但是运算起来越复杂，消耗的计算资源越多。所以重复性来比较，hashcode > md5 > sha-1，而按计算消耗性能来比较hashcode < md5 < sha-1。即hashcode最容易出现重复，消耗性能最小。那么最容易出现重复具体量化是多少呢，是否有计算公式呢，实际是有的。著名的生日驳论就是描述这个数学现象的问题。

为什么会重复？ 重复原因是随着新的元素越来越多，集合中存在重复的几率也越越来越大，如容量为10的集合，随机进一个数不重复的概率是1，在进一个数不重复的概率就是1/10，数越多，概率越大。

生日驳论是指，如果在一个房间要多少人，则两个人的生日相同的概率要大于50%? 答案是23人。 计算规则是让23个人依次进入，那么每个人生日都与其他人不同的概率依次是1，364/365，363/365，362/365，361/365，等等。先进入房间的这些人生日两两不同的概率是很大的，比如说前面5个是1×364/365×363/365×362/365×361/365=97.3%。而对于最后进入房间的几个人情况就完全不同。最后几个人进入房间并且找不到同生日者的概率是… 345/365，344/365，343/365

我们计算一下hashcode，md5，SHA-1的冲突率达到10%时的数量。

hashcode长度为32为，容积为2312^{31}231,

import sys 
sys.setrecursionlimit(90000)

capacity = 2147483648; 
def notEqluasPR(num, lastPR) :
  PR = (2147483648-num)/2147483648 * lastPR;
  if PR < 0.9 :
    return num;
  return notEqluasPR(num+1,PR); 

print(notEqluasPR(2,1))

输出

21272

当hashcode的对象数超过2万时，不重复的几率不到90%了。

数据量达到1w，不重复率0.9769835851579908

数据量达到3w，不重复率0.8109445986601609

可以得出结论，如果数据过万，采用hashcode的方式将会有hash碰撞风险。

md5

md5有128位，即21272^{127}2127，这个数太大，一赋值我的python3就奔溃了，我查询了一下，大约是个天量数字，基本可以作为一个文件唯一码的效验。

sha-1位数比md5还大，也不计算了。

结论

当对象个数超过1w时，hashcode就会有碰撞的可能；在自然情况下，使用md5就可以唯一码的效验，基本不会发生重复；考虑到md5已被破解，对外发布的效验码，可以使用SHA-1效验码。