MDBPlus.exe

基于哈希的最近邻居搜索已在许多应用程序中变得有吸引力。 但是，在使用汉明距离排序时，散列中的量化通常会降低判别能力。 此外，对于大规模的视觉搜索，现有的散列方法不能直接支持对具有多个源的数据进行有效搜索，而文献表明自适应地合并来自不同源或视图的补充信息可以显着提高搜索性能。 为了解决这些问题，本文提出了一种新颖且通用的方法来构建具有多个视图的多个哈希表，并在按位和按表级别生成细粒度的排名结果。 对于每个哈希表，引入了查询自适应按位加权，以通过同时利用哈希函数的质量及其对最近邻居搜索的补充来减轻量化损失。 从表格的角度来看，针对不同的数据视图构建了多个哈希表作为联合索引，在该哈希表上，提出了特定于查询的排名融合，以通过散布在图表中对按位排名的所有结果进行排名。 在三个著名基准上进行图像搜索的综合实验表明，与最新方法相比，该方法在单表和多表搜索中可分别实现17.11％和20.28％的性能提升。

1.以非图片方式在Datawindow中显示QR二维码 2.GBK和UTF-8编码相互转换 3.加密解密，RSA加密解密 4.取汉字拼音首字母 5.文件哈希算法：MD5、SHA1、RIPEMD160、SHA256、Tiger、SHA512、Whirlpool、CRC32 6.字符串哈希算法：MD5、SHA1、RIPEMD160、SHA256、Tiger、SHA512、Whirlpool、CRC32 7.URI编码解码 8.Base64编码解码 9.硬盘序列号 10.http的POST和GET操作

可以对文件的版本、修改时间、MD5、SHA1和CRC32进行检查，防止恶意篡改。

InnoDB存储引擎的关键特性包括插入缓冲、两次写（doublewrite）、自适应哈希索引（adaptivehashindex）。这些特性为InnoDB存储引擎带来了更好的性能和更高的可靠性。插入缓冲是InnoDB存储引擎关键特性中最令人激动的。不过，这个名字可能会让人认为插入缓冲是缓冲池中的一个部分。其实不然，InnoDB缓冲池中有InsertBuffer信息固然不错，但是InsertBuffer和数据页一样，也是物理页的一个组成部分。主键是行唯一的标识符，在应用程序中行记录的插入顺序是按照主键递增的顺序进行插入的。因此，插入聚集索引一般是顺序的，不需要磁盘的随机读取。比如说我们按下列SQ

混沌加密算法与HASH函数构造研究_12767438.zip

linux下内核使用的hash表，修改可以在windows上和linux用户态编译执行，非常好用，嵌入式一样实用，vs2017 和 cmake centos linux下测试通过

计算下载软件包的校验值，与正版官方软件进行对比，若无误则说明该软件正版无病毒。

php图片相似度集合，AHASH,PHASH,DHASH集合包，三种配合使用，使图片搜索更精准，先用PHASH搜索，再用AHASH和DHASH进行递减搜索，图片数据库二十万条图片记录，精准度不错

blurhash：Nim中的Blurhash编码器-解码器算法实现