Konstruktion von Suffixarrays in linearer Zeit Vortrag im Seminar „Mehr Algorithmische Bioinformatik“ von Marek Karadžić SS 2005 Leiter: Prof. Dr. Ulf Leser und Dipl.-Inf. Jörg Hakenberg
Suffixarrays in linearer Zeit Überblick Kurze Wiederholung Suffixtrees und –arrays Algorithmus von Manber und Myers Beispiel Komplexität Skew-Algorithmus 06.07.2005 Suffixarrays in linearer Zeit
Zur Erinnerung.. Suffixtrees Exaktes Stringmatching für ein Template und viele Pattern T möglichst clever vorverarbeiten Gut für Datenbankanfragen Naive Konstruktion von Suffixtrees in O(m²); mit Ukkonen in O(m) Schwierigkeiten: Konstruktion schlecht auf Sekundärspeichern (Lokalität) Naive Konstruktion zu langsam Ukkonen ist speicherintensiv; aber typische Anwendungen arbeiten im Hauptspeicher Abhilfe: Suffixarrays 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Für einen String s ist A ein Integerarray der Länge |s|, wobei A[i] die Startposition des i-ten, lexikographisch sortierten Suffix von s enthält. Konstruktion aus Suffixtrees in O(m) mit Depth-First-Search Beispiel: A[1] = 9 $ A[2] = 4 AKIRI$ A[3] = 2 ARAKIRI$ A[4] = 1 HARAKIRI$ A[5] = 8 I$ A[6] = 6 IRI$ A[7] = 5 KIRI$ A[8] = 3 RAKIRI$ A[9] = 7 RI$ 123456789 s = HARAKIRI$ 06.07.2005 Suffixarrays in linearer Zeit
Algorithmus von Manber und Myers 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Der Algorithmus Gegeben ein String s und leeres Array A Array mit allen Suffixen von s, der Länge nach absteigend, initialisieren: A[i] = n +1 – i für i = 0..n Mit Bucket-Sort nach dem ersten Zeichen sortieren Sortieren nach den nächsten Zeichen: si = si … sn$ und sj = sj … sn$ sind zwei Wörter eines Buckets Für das zweite Zeichen: si+1 mit sj+1 vergleichen Danach werden das dritte und vierte Zeichen verglichen, also si+2si+3 mit sj+2sj+3 Die Anzahl der Zeichen, nach denen „verglichen wird“, verdoppelt sich in jedem Schritt: 1, 2, 4, 8, 16, … Folgen Suffixe aufeinander, aufgrund von Suffixen aus verschiedenen Buckets, entsteht eine neue Bucketgrenze Wir sind fertig, wenn jedes Suffix in einem eigenen Bucket ist 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Der Trick Der Vergleich wurde schon implizit im vorherigen Schritt gemacht Für das zweite Zeichen ist es dasselbe Ergebnis wie das beim Vergleich von si+1 = si+1 … sn$ mit sj+1 = sj+1 … sn$, also: In jedem Bucket wird si, nach der Sortierung von si+1 nach dem ersten Zeichen, angeordnet Dafür gehen wir durch das mit Bucket-Sort sortierte Array und schieben den Index j -1, wenn A[i] = j ist, an den Anfang in seinem Bucket Für das dritte und vierte Zeichen ist es dasselbe Ergebnis wie das beim Vergleich von si+2 = si+2 … sn$ mit sj+2 = sj+2 … sn$, also: In jedem Bucket wird si, nach der Sortierung von si+2 nach den ersten beiden Zeichen, angeordnet Dafür gehen wir durch das im vorherigen Schritt sortierte Array und schieben den Index j -2, wenn A[i] = j ist, an den Anfang in seinem Bucket 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel Array mit allen Suffixen von s in absteigender Reihenfolge initialisieren: A[i] = n +1 – i für i = 0..n s = MISSISSIPPI$ A[0] = 1 MISSISSIPPI$ A[1] = 2 ISSISSIPPI$ A[2] = 3 SSISSIPPI$ A[3] = 4 SISSIPPI$ A[4] = 5 ISSIPPI$ A[5] = 6 SSIPPI$ A[6] = 7 SIPPI$ A[7] = 8 IPPI$ A[8] = 9 PPI$ A[9] = 10 PI$ A[10] = 11 I$ A[11] = 12 $ 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel II Mit Bucket-Sort nach dem ersten Zeichen sortieren 123456789012 MISSISSIPPI$ $ I ISSISSIPPI$ ISSIPPI$ IPPI$ I$ M MISSISSIPPI$ P PPI$ PI$ S SSISSIPPI$ SISSIPPI$ SSIPPI$ SIPPI$ $ I M P S A 12 2 5 8 11 1 9 10 3 4 6 7 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel III A 0 12 1 2 3 4 2 5 8 11 5 1 6 7 9 10 8 9 10 11 3 4 6 7 12 2 5 8 11 1 9 10 3 4 6 7 11 11 8 11 8 2 11 8 2 5 1 10 10 9 4 4 7 4 7 3 4 7 3 6 12 11 8 2 5 10 9 4 7 3 6 $ I I I I $ P S S P S S M I S P P I P $ I S S S S I I S S S P I I In jedem Bucket wird si, nach der Sortierung von si+1 nach dem ersten Zeichen, angeordnet. Dafür gehen wir durch das mit Bucket-Sort sortierte Array und schieben den Index j -1, wenn A[i] = j ist, an den Anfang in seinem Bucket. Folgen Suffixe aufeinander, aufgrund von Suffixen aus verschiedenen Buckets, entsteht eine neue Bucketgrenze. 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel IV A 0 12 1 11 2 8 3 4 2 5 5 1 6 10 7 9 8 9 4 7 10 11 3 6 12 11 8 2 5 1 10 9 4 7 3 6 8 2 2 5 1 10 9 7 7 4 6 6 3 12 11 2 5 7 4 6 3 $ I $ I P P I $ I I S S S S I I S P M I S S I P I $ P P I $ S S I I P S P S I I S S S S I I P S P S In jedem Bucket wird si, nach der Sortierung von si+2 nach den ersten beiden Zeichen, Angeordnet. Dafür gehen wir durch das im vorherigen Schritt sortierte Array und schieben den Index j -2, wenn A[i] = j ist, an den Anfang in seinem Bucket 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Komplexität Die Größe des Alphabets ist n, also gibt es höchstens n Buckets Die Verdopplung der Anzahl der Zeichen nach denen sortiert wird, führt zu log(n) Also hat der Algorithmus im schlimmsten Fall eine Laufzeit von O(n · log(n)) Im besten Fall nur O(n)! Worst case kann auf O(n · loglog(n)) reduziert werden 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Skew-Algorithmus 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Gut zu wissen 2003 von J. Kärkkäinen und P. Sanders vorgestellt Erster Algorithmus der nur O(n) braucht Im selben Jahr wurden noch zwei weitere Algorithmen zur linearen Konstruktion veröffentlicht P. Ko und A. Aluru D.K. Kim, J.S. Sim, H. Park, K. Park (?) 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Der Algorithmus 0) String s = s0 · · · sn-1 1) s[n] = s[n + 1] = s[n + 2] = $; $ kommt in s nicht vor und ist kleinstes Zeichen im Alphabet 2) Tripel von s bilden (si · si+1 · si+2) mit Startposition i mod 3 ≠ 0 3) Tripel werden mit Radix Sort (lexikographisch) sortiert, Ergebnis in einem Array A12 speichern 4) Jedes Tripel erhält einen lexikographischen Namen. Dazu werden die sortierten Tripel in aufsteigender Reihenfolge durchnummeriert, wobei gleiche Tripel auch gleiche Nummern bekommen. 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Der Algorithmus II 5) Wir erhalten eine neue Zeichenreihe s(1) bzw. s(2), indem wir für das Teilwort bzw. alle Tripel mit i mod 3 = 1 bzw. i mod 3 = 2 durch ihre Nummer ersetzen. Mit s(1) · s(2) erzeugen wir die Zeichenreihe s12. 6) Schritte 2 - 5 solange mit s12 · 0 rekursiv aufrufen, bis jedes Tripel einen eindeutigen lexikographischen Namen hat 7) Tripel mit i mod 3 = 0 mittels A12 anordnen (denn si+1 mit (i + 1) mod 3 = 1 ist uns bekannt) und mit Radix Sort nach s[i] sortieren; Ergebnis in A0 speichern 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Der Algorithmus III 8) Mische A0 und A12, dabei gilt, wenn wir si mit sj mit i mod 3 = 0 und j mod 3 = [1, 2] vergleichen: Fall 1: Ist j mod 3 = 1, dann gilt: si = si · si+1, wobei (i + 1) mod 3 = 1 sj = sj · sj+1, wobei (j + 1) mod 3 = 2 Wir vergleichen si mit sj, bei Gleichheit Ergebnis aus A12 ablesen Fall 2: Ist j mod 3 = 2, dann gilt: si = si · si+1 · si+2, wobei (i + 2) mod 3 = 2 sj = sj · sj+1 · sj+2, wobei (j + 2) mod 3 = 1 Wir vergleichen si mit sj, bei Gleichheit auch si+1 mit sj+1. Sind beide gleich, lesen wir das Ergebnis wieder aus A12 ab 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel s = MISSISSIPPI 1) Dummy-Tripel dranhängen s = MISSISSIPPI$$$ 2) Tripel von s mit i mod 3 ≠ 0 bilden 11 012345678901 MISSISSIPPI$$$ i mod 3 = 1 i mod 3 = 2 ISS IPP I$$ SSI PPI $$$ POS 1 4 7 10 2 5 8 11 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel II 3) Radix Sort Von: ISS ISS IPP I$$ SSI SSI PPI $$$ Sortieren nach r.Z.: Sortieren nach m.Z.: $ I P S I$$ $$$ SSI SSI PPI IPP ISS ISS $ I P S I$$ $$$ PPI IPP SSI SSI ISS ISS Ergebnis nach r.Z.: I$$, $$$, SSI, SSI, PPI, IPP, ISS, ISS Ergebnis nach m.Z.: I$$, $$$, PPI, IPP, SSI, SSI, ISS, ISS 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel III Sortieren nach l.Z.: 4) Lexikographische Namen (ψ) $ I P S $$$ I$$ IPP ISS ISS PPI SSI SSI Ergebnis nach l.Z.: $$$, I$$, IPP, ISS, ISS, PPI, SSI, SSI i mod 3 = 1 i mod 3 = 2 ψ 1 2 3 4 5 6 $$$ I$$ IPP ISS PPI SSI POS 11 10 7 8 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel IV 5) s12 := s(1) · s(2) 6) Rekursiver Aufruf von s12 · 0 bis ψ eindeutig ist Tripel i mod 3 ≠ 0 bilden: 44326651 POS = 012345678 s12 = 443266510 i mod 3 = 1 i mod 3 = 2 432 665 100 326 651 000 POS 1 4 7 2 5 8 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel V 6.1) Radix Sort.. 7) Tripel mit i mod 3 = 0 sortieren si+1 mit (i + 1) mod 3 = 1 ist uns durch A12 bekannt, s[i] mit Radix Sort Ergebnis: 000, 100, 326, 432, 651, 665 (= A12) POS = 012345678 s12 = 443266510 Also: 443, 266, 510 Ergebnis: 266, 443, 510 (= A0) 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel VI 11 012345678901 MISSISSIPPI$$$ 8) Mischen von A0 und A12 mit Hilfe von A12 POS 10 1 8 266 443 510 POS 14 11 7 4 5 2 000 100 326 432 651 665 Fall 1: Ist j mod 3 = 1, dann gilt: si = si · si+1, wobei (i + 1) mod 3 = 1 sj = sj · sj+1, wobei (j + 1) mod 3 = 2 Wir vergleichen si mit sj, bei Gleichheit Ergebnis aus A12 ablesen Fall 2: Ist j mod 3 = 2, dann gilt: si = si · si+1 · si+2, wobei (i + 2) mod 3 = 2 sj = sj · sj+1 · sj+2, wobei (j + 2) mod 3 = 1 Wir vergleichen si mit sj, bei Gleichheit auch si+1 mit sj+1. Sind beide gleich, lesen wir das Ergebnis wieder aus A12 ab Ergebnis: 000,100,266,326,432,443,510,651,665(= A12) 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel VII 8.1) Das Gleiche nochmal mit den Tripeln i mod 3 = 0 aus dem allerersten Schritt Sortieren mit Radix Sort und A12: Mischen von A0 und A12: 11 012345678901 MISSISSIPPI$$$ Von: MIS, SIS, SIP, PI$ Ergebnis: MIS, PI$, SIP, SIS (= A0) MIS PI$ SIP SIS 0 9 6 3 100,266,326,432,443,510,651,665 $$$ I$$ IPP ISS ISS PPI SSI SSI 11 10 7 4 1 8 5 2 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Beispiel VIII Resultat Suffixarray A: A[0] = 11 $$$ A[1] = 10 I$$ A[2] = 7 IPP I$$ A[3] = 4 ISS IPP I$$ A[4] = 1 ISS ISS IPP I$$ A[5] = 0 MIS SIS SIP PI$ A[6] = 9 PI$ A[7] = 8 PPI $$$ A[8] = 6 SIP PI$ A[9] = 3 SIS SIP PI$ A[10] = 5 SSI PPI $$$ A[11] = 2 SSI SSI PPI $$$ 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Komplexität Für einen String der Länge n ruft sich der Algorithmus rekursiv mit 2/3 * n (Startpositionen mit i mod 3 ≠ 0) auf Danach werden diese 2/3 * n mit den übrigen 1/3 * n Zeichen gemischt, das kostet O(n) Dadurch ergibt sich die Rekursionsgleichung: Da sich der erste Teil zu einer Konstante entwickelt, bleibt der Algorithmus letztendlich linear: T(n) = O(n) 06.07.2005 Suffixarrays in linearer Zeit
Suffixarrays in linearer Zeit Quellen Heun, Volker: Skript zur Vorlesung Algorithmen auf Sequenzen. Version 0.70 (03/2005) Weese, David: Studienarbeit zur Implementierung des Skew-Algorithmus. (05/2005) J. Kärkkäinen, P. Sanders: Simple Linear Work Suffix Array Construction. ICALP'03, Lecture Notes in Computer Science, Vol. 2719, 943-955. (2003) 06.07.2005 Suffixarrays in linearer Zeit
Vielen Dank für die Aufmerksamkeit!