Recopilación de Calgary

La Recopilación de Calgary es una colección de texto y archivos de datos binarios, comúnmente usados para comparar algoritmos de compresión de datos. Fue creado por Ian Witten, Tim Bell y John Cleary de la universidad de Calgary en 1987 y comúnmente se usaba en los años 1990. En 1997 fue sustituido por la Recopilación de Cantórbery, pero la Recopilación de Calgary todavía existe para la comparación y todavía es útil con su objetivo intencionado original.

Contenido

En su forma el más comúnmente usada, la recopilación consiste en 14 archivos totaling 3,141,622 bytes así.

También hay una 18 versión del archivo menos comúnmente usada que incluyen 4 archivos del texto adicionales en UNIX "troff" formato, PAPER3 a través de PAPER6.

Cotas de referencia

La recopilación de Calgary era una cota de referencia comúnmente usada para la compresión de datos en los años 1990. Los resultados el más comúnmente se ponían en una lista en trozos por byte (bpb) para cada archivo y luego se resumieron haciendo un promedio. Más recientemente, ha sido común añadir sólo las tallas comprimidas de todos los archivos. Esto se llama un promedio ponderado porque es equivalente al suplemento salarial de las relaciones de compresión por las tallas del archivo originales. La cota de referencia de UCLC por Johan de Bock usa este método.

Para algunos compresores de datos es posible comprimir la recopilación más pequeña combinando las entradas en un archivo no comprimido (como un archivo del alquitrán) antes de la compresión debido a la información mutua entre los archivos del texto. En otros casos, la compresión es peor porque el compresor maneja la estadística no uniforme mal. Este método fue usado en una cota de referencia en la Compresión de Datos del libro en línea Explicada por Matt Mahoney

http://mattmahoney.net/dc/dce.html#Section_214.

La mesa debajo de espectáculos las tallas comprimidas del 14 archivo recopilación de Calgary usando ambos métodos para algunos programas de compresión populares. Las opciones, cuando usado, seleccionan la mejor compresión. Para una lista más completa, ver las susodichas cotas de referencia.

Desafío de compresión

La Compresión de la recopilación de Calgary y el Desafío de la grieta de SHA-1 http://mailcom.com/challenge/ son una competición comenzada por Leonid A. Broukhis el 21 de mayo de 1996 para comprimir la 14 versión del archivo de la recopilación de Calgary. La competición ofrece un pequeño premio en efectivo que ha variado con el tiempo. Actualmente el premio es los EE.UU 1$ por mejora de 111 bytes sobre el resultado anterior.

Según las reglas de la competición, una entrada debe consistir tanto en los datos comprimidos como en el programa de descompresión embalado en uno de varios formatos del archivo estándares. El tiempo y los límites de memoria, los formatos del archivo y las lenguas de descompresión se han relajado con el tiempo. Actualmente el programa debe correr dentro de 24 horas en una máquina de MIPS de 2000 bajo Windows o Linux y usar la memoria de menos de 800 MB. Un desafío de SHA-1 se añadió más tarde. Permite el programa de descompresión a archivos de la salida diferentes de la recopilación de Calgary mientras desmenuzan a los mismos valores que los archivos originales. Hasta ahora, esa parte del desafío no se ha encontrado.

La primera entrada recibida era 759,881 bytes en el septiembre de 1997 por Malcolm Taylor (el autor de RK y WinRK). La entrada más reciente era 580,170 bytes por Alexander Ratushnyak el 2 de julio de 2010. La entrada consiste en un archivo comprimido de la talla 572,465 bytes y un programa de descompresión escrito en C ++ y comprimido a 7700 bytes como un PPMd var. Archivo, más 5 bytes para el nombre de fichero comprimido y talla. La historia es así.

Desde 2004, todas las sumisiones son variantes de PAQ y presentado como el código fuente licenciado bajo la GPL.

Véase también

Enlaces externos



Buscar