nuget
序列的 min-hash 签名计算任务（并行）
CDHashTask
00 Remarks
计算过程已经改造为零堆分配：直接在序列字符串的字符区间上面用滑动窗口计算 MurmurHash， 不会再产生任何 Substring 或者 UTF8 byte[] 临时对象。
另外，因为「取最小值」操作对于集合与多重集是完全等价的，所以也不再需要 HashSet 对 k-mer 做去重。 在数百万条序列的数据集上面，这两项优化可以避免数十 GB 量级的临时内存分配。
01 Syntax
SMRUCC.genomics.Analysis.SequenceAlignment.CDHashTask
02 Methods
| Name | Overloads | Summary |
|---|---|---|
| RunDynamic | 1 | 使用动态任务分片来并行执行 min-hash 计算 |
| SolveRange | 1 | 计算一个序列下标区间之内的 min-hash 签名 |
| CreateSignature | 1 | 直接在序列字符串上面通过滑动窗口生成 min-hash 签名 |
| isAscii | 1 | 序列之中是否全部都是 ASCII 字符？ |
03 Fields
| Name | Overloads | Summary |
|---|---|---|
| NumHashFunctions | 1 | min-hash 签名的长度（哈希函数的数量），与 MinHash.CreateSequenceData 的默认值保持一致 |
04 Members
RunDynamic
使用动态任务分片来并行执行 min-hash 计算
Remarks
序列集合是按照长度降序排序的，如果使用 VectorTask 的静态分片方式， 尾部（下标最小）的工作线程会分到全部的最长序列，其耗时可能是其它工作线程的数倍， 整个阶段的耗时会被这个最慢的线程拖住（实测 4,042,313 条序列时差距达到 3.6 倍）。 这里改成动态的任务分片，让先完成的工作线程自动去领取下一段序列。
SolveRange(
Int32, Int32)计算一个序列下标区间之内的 min-hash 签名
Remarks
每一个工作线程写入的都是互不重叠的下标区间，所以这里不需要加锁， 也不需要先攒到一个临时的List再拷贝回来。
CreateSignature(
String, Int32)直接在序列字符串上面通过滑动窗口生成 min-hash 签名
Remarks
与原实现 KSeq.KmerSpans(seq, k).CreateSequenceData(id, 100) 的数值结果完全一致：
- 原实现先把 k-mer 放进 HashSet 去重再取最小值，而最小值对于集合与多重集是完全等价的， 所以可以直接对每一个 k-mer 出现位置取最小值，省掉 HashSet 与 Substring；
- 对于 ASCII 序列，UTF8 编码的结果就是字符本身的值， 所以可以直接在字符区间上面计算哈希，省掉 byte[] 分配。
Parameters
| Name | Type | Description |
|---|---|---|
seq | String | 序列数据 |
k | Int32 | k-mer 的长度 |
Returns
长度固定为 CDHashTask.NumHashFunctions 的 min-hash 签名
isAscii(
String)序列之中是否全部都是 ASCII 字符？
Parameters
| Name | Type | Description |
|---|---|---|
seq | String | - |
NumHashFunctions
min-hash 签名的长度（哈希函数的数量），与 MinHash.CreateSequenceData 的默认值保持一致