home *** CD-ROM | disk | FTP | other *** search
/ ftp.cse.unsw.edu.au / 2014.06.ftp.cse.unsw.edu.au.tar / ftp.cse.unsw.edu.au / pub / doc / misc / Y Coding < prev   
Internet Message Format  |  1992-10-18  |  31KB

  1. Path: usage.csd.unsw.oz.au!metro!munnari.oz.au!samsung!zaphod.mps.ohio-state.edu!wuarchive!mit-eddie!snorkelwacker.mit.edu!hsdndev!cmcl2!kramden.acf.nyu.edu!brnstnd
  2. From: brnstnd@kramden.acf.nyu.edu (Dan Bernstein)
  3. Newsgroups: gnu.misc.discuss,alt.comp.compression
  4. Subject: An introduction to Y coding
  5. Message-ID: <8667:Mar610:36:2291@kramden.acf.nyu.edu>
  6. Date: 6 Mar 91 10:36:22 GMT
  7. Organization: IR
  8. Lines: 694
  9. Xref: usage.csd.unsw.oz.au gnu.misc.discuss:2084 alt.comp.compression:13
  10.  
  11. Save this article: you may want it later.
  12.  
  13. ---Dan
  14.  
  15.  
  16. Y coding
  17.  
  18. Daniel J. Bernstein
  19.  
  20. Copyright 1991. All rights reserved.
  21. Draft 4, March 6, 1991.
  22.  
  23. This is a draft. That means it's supposed to be unreadable, misleading,
  24. boring, useless, and generally wrong. Any deviations from the norm are
  25. accidents---happy accidents, but accidents nonetheless. End of warning.
  26.  
  27.  
  28. ----- 1. Introduction
  29.  
  30. --- LZW coding
  31.  
  32. Fix an alphabet A, and take a string I over that alphabet. Construct a
  33. ``dictionary'' D---a one-to-one mapping from strings to integers---as
  34. follows:
  35.  
  36.   0. Start by mapping each symbol of A to a unique integer.
  37.   1. Find the longest prefix p of I contained in D. (Rather, contained
  38.      in the domain of D. It is convenient to ignore this distinction.)
  39.   2. Take the next letter c after p in I.
  40.   3. Add pc to the dictionary, mapping to another unique integer.
  41.   4. Strip p from the front of I, so that I begins with c.
  42.   5. Repeat from step 1 until I is empty (i.e., until step 2 fails).
  43.  
  44. For example, say A is the set abcdefghijklmnopqrstuvwxyz, and say I is
  45. the string yabbadabbadabbadoo. D starts with all single characters from
  46. A. Now the longest match between I and D is I's first character, y; and
  47. the charater after that is a. So we add ya to the dictionary and strip y
  48. from the front of I.
  49.  
  50. Now I is abbadabbadabbadoo, and D has all single characters plus ya. The
  51. longest match between D and I is a, so we add ab to the dictionary and
  52. remove the a. We continue in this manner until I is empty:
  53.  
  54.   I                     match  add    new dictionary
  55.   yabbadabbadabbadoo    y      ya     ya (plus all single characters)
  56.    abbadabbadabbadoo    a      ab     ya ab
  57.     bbadabbadabbadoo    b      bb     ya ab bb
  58.      badabbadabbadoo    b      ba     ya ab bb ba
  59.       adabbadabbadoo    a      ad     ya ab bb ba ad
  60.        dabbadabbadoo    d      da     ya ab bb ba ad da
  61.     abbadabbadoo    ab     abb    ya ab bb ba ad da abb
  62.       badabbadoo    ba     bad    ya ab bb ba ad da abb bad
  63.         dabbadoo    da     dab    ya ab bb ba ad da abb bad dab
  64.           bbadoo    bb     bba    ya ab bb ba ad da abb bad dab bba
  65.         adoo    ad     ado    ya ab bb ba ad da abb bad dab bba ado
  66.           oo    o      oo     ya ab bb ba ad da abb bad dab bba ado oo
  67.            o    o
  68.  
  69. While we construct the dictionary we can output the value of each match
  70. under the dictionary. This produces a sequence of numbers which, as we
  71. will see below, is sufficient to reconstruct the original string. This
  72. mapping from strings to sequences of numbers is called LZW coding.
  73.  
  74. Typically the numbers in the dictionary are chosen sequentially, from 0
  75. to |A| - 1 for the initial single-character strings and then from |A| on
  76. up. In the above example, the matches are y a b b a d ab ba da bb ad o o,
  77. which have numbers 24 0 1 1 0 3 27 29 31 28 30 14 14. That sequence is
  78. the result of yabbadabbadabbadoo under LZW coding.
  79.  
  80.  
  81. --- LZW decoding
  82.  
  83. How do we reconstruct the original string if we're given the coded
  84. sequence? The secret is to reconstruct the dictionary.
  85.  
  86.   0. Start by mapping each symbol of A to a unique integer. Set I to the
  87.      empty string. Read a number from the input, and set p to the
  88.      corresponding single-character string.
  89.   1. Append p to I.
  90.   2. Read a number from the input, and let c be the first character of
  91.      the corresponding string in the dictionary.
  92.   3. Add pc to the dictionary, mapping to the next unique integer.
  93.   4. Set p to the dictionary string corresponding to the number read.
  94.   5. Repeat from step 1 until end-of-input (i.e., until step 2 fails).
  95.  
  96. For example, take the input sequence 24 0 1 1 0 3 27 29 31 28 30 14 14.
  97. D starts with all single characters from A; p starts as the single
  98. character y; and I starts empty.
  99.  
  100. Now p is appended to I, so that I contains y. The 0 in the input means
  101. that the next character of I is an a; and ya is added to the dictionary.
  102. p is then set to a.
  103.  
  104. Next, p is appended to I, so that I contains ya. The 1 in the input
  105. means that the next character of I is b; and ab is added to the
  106. dictionary. p is then set to b. We continue this way through the entire
  107. input:
  108.  
  109.   input  c   added    new p   I
  110.   24                  y       y
  111.   0      a   (ya,26)  a       ya
  112.   1      b   (ab,27)  b       yab
  113.   1      b   (bb,28)  b       yabb
  114.   0      a   (ba,29)  a       yabba
  115.   3      d   (ad,30)  d       yabbad
  116.   27    *a*  (da,31)  ab      yabbadab      27 is ab, so *a* is the 1st char
  117.   29    _b_  (abb,32) ba      yabbadabba    29 is ba, so _b_ is the 1st char
  118.   31     d   (bad,33) da      yabbadabbada
  119.   28     b   (dab,34) bb      yabbadabbadabb
  120.   30     a   (bba,35) ad      yabbadabbadabbad
  121.   14     o   (ado,36) o       yabbadabbadabbado
  122.   14     o   (oo,37)  o       yabbadabbadabbadoo
  123.  
  124. Notice the slightly twisted statement of steps 2 through 4. p is set to
  125. the dictionary string corresponding to the number read from the input,
  126. but first c is set to the first character of that string, and the old pc
  127. is added to the dictionary. This roundabout presentation is necessary
  128. because the number on the input may be the number of the very last
  129. dictionary string added---and that last string depends on the first
  130. character of the current string. This overlap is always safe but is one
  131. of the first problems to look out for in a new implementation.
  132.  
  133.  
  134. --- So who cares about this LZW stuff anyway?
  135.  
  136. What's the point of LZW coding? When the input string has lots of the
  137. same characters or sequences of characters, the dictionary will rapidly
  138. grow to include those sequences. Then a single number in the output
  139. sequence might represent several characters of input, and will use less
  140. space.
  141.  
  142. For example, take the simplest natural encoding of a string over our
  143. lowercase alphabet A. There are 26 symbols, so we can represent each
  144. with 5 bits. Our string yabbadabbadabbadoo has 18 characters and takes
  145. 90 bits under this encoding.
  146.  
  147. On the other hand, the string after encoding has just 13 numbers:
  148. 24 0 1 1 0 3 27 29 31 28 30 14 14. For these values there are 26 27 28
  149. 29 30 31 32 33 34 35 36 37 38 choices respectively, so they take 5 5 5 5
  150. 5 5 5 6 6 6 6 6 6 bits in the natural way, for a total of just 71 bits.
  151.  
  152. Most strings that come up in practice have similar redundancy, and LZW
  153. coding will produce an output that takes less space than its input. This
  154. is why LZW coding is usually called LZW compression. It often reduces
  155. longer strings to 50% or even 30% of their original size, so that they
  156. take a fraction as much disk space and communication time as they would
  157. in their uncompressed form.
  158.  
  159.  
  160. --- A bit of jargon
  161.  
  162. Many audio and video compression methods throw away some information.
  163. They don't reconstruct exactly the original pictures and sounds, but
  164. nobody really notices. These are called inexact, or sometimes lossy,
  165. compressors. In contrast, LZW always lets you get back exactly the
  166. original string. It is an exact, or lossless, compressor.
  167.  
  168. Any compressor that splits its input into substrings and codes the
  169. strings with a dictionary is called (logically enough) a dictionary
  170. compressor.
  171.  
  172. A substring of an input string---particularly a substring that is coded
  173. as a single output number---is called a ``phrase.'' In LZW, one string
  174. is added to the dictionary per phrase.
  175.  
  176. Some compression methods use fixed tables: ``the'' becomes a special,
  177. single character, ``of'' becomes another, etc. They're called static, or
  178. nonadaptive, compressors. Others, like LZW, build their dictionaries
  179. dynamically to adapt to any input; LZW is an example of an adaptive
  180. compressor. Somewhere in between are compressors that make two passes
  181. over the input, building a dictionary the first time through and then
  182. producing output the second time through. They're called semiadaptive.
  183.  
  184. One useless theoretical property of LZW is that it is universal. This
  185. means that on a certain wide class of inputs it will give as close as
  186. you want to the best possible compression of any method. The longer your
  187. strings are, the closer it comes to optimal. Universality doesn't make
  188. one whit of difference in practice---to get within 1% of optimal with
  189. LZW you'd have to start compressing the planet---but it generally
  190. indicates that a method is both simple and trustworthy. Non-universal
  191. compressors are usually much more complicated, and will fail miserably
  192. on inputs they weren't designed specifically to handle.
  193.  
  194.  
  195.  
  196. ----- 2. Implementing LZW
  197.  
  198. --- Encoding
  199.  
  200. The most natural way to find the longest match between I and strings in
  201. D is one character at a time. Start with p as the first character of I
  202. (or as the null string if that is more convenient). Read the next
  203. character, c. If pc is in the dictionary, set p to pc and repeat.
  204. Otherwise p and c are set.
  205.  
  206. So the dictionary has to support two basic operations: searching for pc
  207. if p is known to be there already, and adding pc if it is not there.
  208. Most implementors use some form of trie---array trie, list trie, hash
  209. trie, huptrie---for this job. The array trie, as in Woods' ``hyper-LZ''
  210. [], offers extreme speed at the expense of |A| (typically 256) words of
  211. memory for each string in the trie. The huptrie and straight hash trie
  212. use only a small amount of memory per string but still allow reasonably
  213. fast searches in the average case. We will not consider these structures
  214. in further detail.
  215.  
  216. In any case at most a fixed number of operations happen for every input
  217. character, so LZW coding takes linear time no matter how long the input
  218. is. Unfortunately, computers don't have infinite memory. Implementations
  219. typically limit the dictionary to some size, usually between 1024 and
  220. 65536 strings. When the dictionary reaches that size it can either
  221. remain fixed for the rest of the input, or it can be cleared and start
  222. from single characters again. The second strategy effectively breaks the
  223. input into ``blocks'' with independent dictionaries. If the input
  224. ``feels'' different in different blocks, blocking will produce good
  225. results, because it will weed useless strings out of the dictionary.
  226.  
  227. The ``compress'' program [] introduced an important blocking variant.
  228. Instead of clearing the dictionary as soon as it reaches its maximum
  229. size, compress periodically checks how well it is doing. It will only
  230. clear the dictionary when its compression ratio deteriorates. This way
  231. the blocks adapt to the input. Note that all of these blocking
  232. techniques require space for a special output code to clear the
  233. dictionary.
  234.  
  235. Another variant is LRU replacement: the least-recently-used strings are
  236. removed from the dictionary at some opportune time. This provides a
  237. smoother transition between blocks than clearing the dictionary.
  238. Unfortunately, it is difficult to find good heuristics for when to
  239. remove what strings. Blocking is still more of an art than a science.
  240.  
  241.  
  242. --- Preparing for encryption
  243.  
  244. It is very useful to compress a message before encrypting it, as
  245. compression removes much of the statistical regularity of straight text.
  246. However, the usual coding leaves a lot of redundancy. If the dictionary
  247. has 33 strings, for example, and 6 bits are used to represent a choice
  248. among those strings, then the high bit will almost always be 0. These
  249. high bits come in predictable locations, so an attacker can almost
  250. always figure out the key given a long enough stretch of compressed
  251. text.
  252.  
  253. To prevent this, the compressor should introduce random bits as follows:
  254. Given a choice between 0 and 40, 0 through 22 are encoded as either
  255. themselves or from 41 through 63. The choice should be made with a
  256. high-delay random number generator such as a subtractive generator.
  257. 23 through 40 are always encoded as themselves. This method greatly
  258. reduces the amount of extra information available per bit without
  259. appreciably slowing down the coding. Because random bits are used at
  260. unpredictable times, an attacker cannot easily take advantage of the
  261. determinism of the pseudo-random generator.
  262.  
  263. Most implementations also add a recognizable header to compressed text.
  264. This header should be removed before encryption.
  265.  
  266.  
  267. --- Decoding
  268.  
  269. LZW decoding is even easier than encoding: the dictionary does not have
  270. to support searching. The easiest (and generally fastest) method is to
  271. keep I in memory as it is reconstructed, and to keep track of which
  272. substring of I a given dictionary number corresponds to. To add pc to
  273. the dictionary means to add the pair (pointer to start of pc within I,
  274. length of pc) at the right spot in an array indexed by dictionary
  275. numbers. There are methods which take slightly less memory than this,
  276. but they are slower.
  277.  
  278.  
  279.  
  280. ----- 3. MW and AP coding
  281.  
  282. --- MW: Adapting better
  283.  
  284. LZW adapts to its input relatively slowly: strings in the dictionary
  285. only get one character longer at a time. If LZW is fed a million
  286. consecutive x's, its longest dictionary string will only have around
  287. 1400 x's, and it will only achieve around 1000:1 compression. Is there
  288. any better way for it to notice the redundancy?
  289.  
  290. The answer is yes. Instead of adding p plus one character of the next
  291. phrase to the dictionary, we can add p plus the entire next phrase to
  292. the dictionary. This defines MW coding. For example:
  293.  
  294.   I                     match  added to dictionary
  295.   yabbadabbadabbadoo    y        
  296.    abbadabbadabbadoo    a      ya (concatenation of last two matches)
  297.     bbadabbadabbadoo    b      ab
  298.      badabbadabbadoo    b      bb
  299.       adabbadabbadoo    a      ba
  300.        dabbadabbadoo    d      ad
  301.     abbadabbadoo    ab     dab
  302.       badabbadoo    ba     abba
  303.         dabbadoo    dab    badab
  304.            badoo    ba     dabba
  305.          doo    d      bad
  306.           oo    o      do
  307.            o    o
  308.  
  309. Even such a short example shows how quickly MW begins to adapt. By the
  310. fifteenth character ``dabba'' is already established as a dictionary
  311. phrase. On the other hand, MW will miss shorter phrases where there is
  312. less redundancy, so it generally performs only somewhat better than LZW
  313. in practice. In this example it outputs 13 numbers, just like LZW. But
  314. given a million x's it will end up with a dictionary string of length
  315. around half a million, and it will output just 30 bytes.
  316.  
  317.  
  318.  
  319.  
  320. --- Problems of MW
  321.  
  322. MW lacks some properties of LZW that we don't realize are so helpful
  323. until they are taken away. Most importantly, not every prefix of a
  324. dictionary string is in the dictionary. This means that the
  325. character-at-a-time search method we saw for LZW doesn't work. Instead,
  326. every prefix of a string in the dictionary must be added to the trie,
  327. and every node in the trie must be given a tag saying whether it is in
  328. the dictionary or not. Furthermore, finding the longest string may
  329. require backtracking: if the dictionary contains xxxx and xxxxxxxx, we
  330. don't know until we've read to the eighth character of xxxxxxxy that we
  331. have to choose the shorter string. This seems to imply that MW coding is
  332. fundamentally slower than LZW coding. (Decoding can be made reasonably
  333. fast, though.)
  334.  
  335. Another problem is that a string may be added to the dictionary twice.
  336. This rules out certain implementations and requires extra care in
  337. others. It also makes MW a little less safe than LZW before encryption.
  338.  
  339.  
  340. --- AP: Adapting faster
  341.  
  342. There is a natural way to preserve the good adaptation of MW while
  343. eliminating its need for backtracking: instead of just concatenating the
  344. last two phrases and putting the result into the dictionary, put all
  345. prefixes of the concatenation into the dictionary. (More precisely, if S
  346. and T are the last two matches, add St to the dictionary for every
  347. nonempty prefix t of T, including T itself.) This defines AP coding. For
  348. example:
  349.  
  350.   I                     match  added to dictionary
  351.   yabbadabbadabbadoo    y        
  352.    abbadabbadabbadoo    a      ya
  353.     bbadabbadabbadoo    b      ab
  354.      badabbadabbadoo    b      bb
  355.       adabbadabbadoo    a      ba
  356.        dabbadabbadoo    d      ad
  357.     abbadabbadoo    ab     da, dab        (d + all prefixes of ab)
  358.       badabbadoo    ba     abb, abba      (ab + all prefixes of ba)
  359.         dabbadoo    dab    bad, bada, badab
  360.            badoo    ba     dabb, dabba
  361.          doo    d      bad
  362.           oo    o      do
  363.            o    o
  364.  
  365. Since AP adds more strings to the dictionary, it takes more bits to
  366. represent a choice. However, it does provide a fuller range of matches
  367. for the input string, and in practice it achieves slightly better
  368. compression than MW in quite a bit less time.
  369.  
  370.  
  371. ----- 4. Y coding
  372.  
  373. --- Completing the square
  374.  
  375. LZW adds one dictionary string per phrase and increments strings by one
  376. character at a time. MW adds one dictionary string per phrase and
  377. increments strings by several characters at a time. AP adds one
  378. dictionary string per input character and increments strings by several
  379. characters at a time. These properties define three broad classes of
  380. methods and point naturally to a fourth: coders that add one dictionary
  381. string per input character and increment strings by one character at a
  382. time. An example of such a method is Y coding. (It is worth noting at
  383. this point that LZ77 variants are characterized by adding several
  384. dictionary strings per input character.)
  385.  
  386.  
  387. --- The incomprehensible definition
  388.  
  389. Y coding is defined as follows: The dictionary starts with all single
  390. characters. One string pc starting at each input position is added to
  391. the dictionary, where p is in the dictionary before that character and
  392. pc is not.
  393.  
  394. To put it differently, ``yowie'' appears in the dictionary as soon as
  395. the regular expression yo.*yow.*yowi.*yowie matches the text. It is
  396. added at the final e. So yabbadabbadabbadoo leads to the dictionary ya,
  397. ab, bb, ba, ad, da, abb, bba, ada, dab, abba, bbad, bado, ado, oo.
  398.  
  399. We haven't defined the coding yet. While we build the dictionary, we
  400. keep track of a current longest match (initially empty). Right after
  401. reading an input character and before integrating it into the
  402. dictionary, we see whether the longest match plus that character is
  403. still in the dictionary *constructed before the start of that longest
  404. match*. If so, we use that as the new longest match, and proceed.
  405. Otherwise, we output the number of the longest match, and set the
  406. longest match to just that new character.
  407.  
  408. To decode, we read these matches, one by one. We take each one as a
  409. sequence of characters as defined by the dictionary, and output that
  410. sequence. Meanwhile we take each character and feed it as input to the
  411. dictionary-building routine.
  412.  
  413.  
  414. --- A comprehensible example
  415.  
  416. We can run through the string keeping track of dictionary matches, as
  417. follows:
  418.  
  419.   I                        add    current matches
  420.   abcabcabcabcabcabcabcx          a
  421.    bcabcabcabcabcabcabcx   ab     b
  422.     cabcabcabcabcabcabcx   bc     c
  423.      abcabcabcabcabcabcx   ca     a
  424.       bcabcabcabcabcabcx          ab b
  425.        cabcabcabcabcabcx   abc       bc c
  426.         abcabcabcabcabcx   bca          ca a
  427.          bcabcabcabcabcx   cab             ab  b
  428.           cabcabcabcabcx            _____  abc bc  c
  429.            abcabcabcabcx   abca    / \   \___  bca ca a
  430.             bcabcabcabcx   bcab   cab ab   b \____  \_/
  431.              cabcabcabcx   cabc       abc  bc   c \__/
  432.               abcabcabcx              abca bca  ca   a
  433.                bcabcabcx   abcab           bcab cab  ab    b
  434.                 cabcabcx   bcabc                cabc abc   bc   c
  435.                  abcabcx   cabca                     abca  bca  ca  a
  436.                   bcabcx           ,-----------------abcab bcab cab ab b
  437.                    cabcx   abcabc  `--bcabc cabc  abc    bc    c
  438.             abcx   bcabca           cabca abca   bca   ca   a
  439.              bcx   cabcab                 abcab  bcab  cab  ab  b
  440.               cx                          abcabc bcabc cabc abc bc c
  441.                x   abcabcx x
  442.                 bcabcx
  443.                  cabcx
  444.                   abcx
  445.                    bcx
  446.                 cx
  447.  
  448. The strings on the right side are the current matches-so-far after each
  449. input character. We start with no matches. When we read a character, we
  450. append it to each match so far; if the results are in the dictionary, we
  451. make them the new matches, and add the character as a match by itself.
  452. If any of them are not in the dictionary we take them out of the list
  453. and add them to the dictionary.
  454.  
  455. Before reading the fifth c, for example, the matches are bcab, cab, ab,
  456. and b. We append c to each one: bcabc doesn't match, so we add it to the
  457. dictionary. The rest are still in the dictionary, so our new list is
  458. cabc, abc, bc, and a lone c. And so on.
  459.  
  460. When the x is read, the current list is abcab bcab cab ab b. Now none of
  461. abcabx bcabx cabx abx bx are in the dictionary, so we add all of them,
  462. and the list becomes just a single x.
  463.  
  464.  
  465. --- The crucial observation
  466.  
  467. It is not clear so far that Y is a linear-time algorithm: each input
  468. character demands additions to several matches. However, *every
  469. substring of a dictionary string is in the dictionary*. This is clear
  470. from the regular-expression characterization of dictionary strings: if
  471. yo.*yow.*yowi.*yowie matches the text, then ow.*owi.*owie (for example)
  472. certainly does as well.
  473.  
  474. Say the current match list is wonka onka nka ka a, and we read the
  475. character x. The next list has to be one of the following:
  476.  
  477.   wonkax onkax nkax kax ax x
  478.          onkax nkax kax ax x
  479.                nkax kax ax x
  480.                     kax ax x
  481.                         ax x
  482.                            x
  483.  
  484. If onkax matches, for example, then nkax must match as well, and so must
  485. kax and ax and x.
  486.  
  487. So the match list will always consist of one string and its suffixes.
  488. Hence we can keep track of just the longest string in the match list.
  489. For example, with the input string oompaoompapaoompaoompapa:
  490.  
  491.   input  test   add    match
  492.   o                    o
  493.   o      oo     oo     o
  494.   m      om     om     m
  495.   p      mp     mp     p
  496.   a      pa     pa     a
  497.   o      ao     ao     o
  498.   o      oo            oo
  499.   m      oom    oom    om
  500.   p      omp    omp    mp
  501.   a      mpa    mpa    pa
  502.   p      pap    pap
  503.                 ap     p
  504.   a      pa            pa
  505.   o      pao    pao    ao
  506.   o      aoo    aoo    oo
  507.   m      oom           oom
  508.   p      oomp   oomp   omp
  509.   a      ompa   ompa   mpa
  510.   o      mpao   mpao
  511.             pao    ao
  512.   o      aoo           aoo
  513.   m      aoom   aoom   oom
  514.   p      oomp          oomp
  515.   a      oompa  oompa  ompa
  516.   p      ompap  ompap
  517.             mpap   pap
  518.   a      papa   papa
  519.                 apa    pa
  520.  
  521.  
  522. --- A comprehensible definition
  523.  
  524. Here is another definition of how to construct the Y dictionary, based
  525. on the chart above.
  526.  
  527.   0. Start with the dictionary mapping every character of A to a unique
  528.      integer. Set m to the empty string.
  529.   1. Append the next character c of I to m.
  530.   2. If m is not in the dictionary, then add m to the dictionary, remove
  531.      the first character of m, and repeat this step.
  532.   3. Repeat from step 1 until the input is exhausted.
  533.  
  534. We must be careful in defining output: the output is not synchronized
  535. with the dictionary additions, and we must be careful not to have the
  536. longest output match overlap itself. To this end we split the dictionary
  537. into two parts, the first part safe to use for the output, the second
  538. part not safe.
  539.  
  540.   0. Start with S mapping each single character to a unique integer;
  541.      T empty; m empty; and o empty. (S and T are the two parts of the
  542.      dictionary.)
  543.   1. Read a character c. If oc is in S, set o to oc; otherwise output
  544.      S(o), set o to c, add T to S, and remove everything from T.
  545.   2. While mc is not in S or T, add mc to T (mapping to the next
  546.      available integer), and chop off the first character of m.
  547.   3. After m is short enough that mc is in the dictionary, set m to mc.
  548.   4. Repeat as long as there are enough input characters (i.e., until
  549.      step 1 fails).
  550.   5. Output S(o) and quit.
  551.  
  552. Here's how to decode:
  553.  
  554.   0. Initialize (D,m) as above.
  555.   1. Read D(o) from the input and take the inverse under D to find o.
  556.   2. As long as o is not the empty string, find the first character c of
  557.      o, and update (D,m) as above. Also output c and chop it off from
  558.      the front of o.
  559.   3. Repeat from step 1 until the input is exhausted.
  560.  
  561. The coding only requires two fast operations on strings in the
  562. dictionary: testing whether sc is there if s's position is known, and
  563. finding s's position given cs's position. The decoding only requires the
  564. same operations plus finding the first character of a string given its
  565. spot in the dictionary.
  566.  
  567.  
  568. --- Some properties of Y coding
  569.  
  570. We propose ``per-phrase dictionary'' to describe the dictionaries
  571. constructed by LZW and MW, ``per-character dictionary'' for AP and Y.
  572. We also propose ``phrase-increment'' to describe MW and AP,
  573. ``character-increment'' for LZW and Y. According to this terminology,
  574. Y is an exact character-increment per-character dictionary compressor.
  575.  
  576. Y has a similar feel to LZJ, which has a dictionary consisting of all
  577. unique substrings up to a certain length in a block of the input.
  578. However, Y can adapt much more effectively to redundant text.
  579.  
  580.  
  581.  
  582. ----- 5. Results
  583.  
  584. The author has implemented Y coding [] along with, for instruction and
  585. amusement, AP coding. In this section we survey various implementation
  586. issues and compare the effectiveness of the coding methods explained
  587. here.
  588.  
  589. Here are results of these methods on the Bell-Witten-Cleary text corpus,
  590. along with a highly redundant 180489-byte ``makelog'' added by the
  591. author to show an extreme case:
  592.  
  593.    Z12    Z14    Z16     MW    AP2    AP6    AP3     Y2     Y6     Y3
  594.  54094  46817  46528  41040  47056  40770  40311  46882  40874  40456  bib
  595. 394419 357387 332056 336793 389702 338046 322178 363339 320622 306813  book1
  596. 325147 281354 250759 230862 297205 261270 228978 287110 256578 229851  book2
  597.  78026  77696  77777  80296  84582  79471  80106  80817  76275  76695  geo
  598.  34757  25647  25647   8299  20925  14762   8821  28159  21220  14411  makelog
  599. 230765 202594 182121 168652 219665 190502 167896 212617 185097 168287  news
  600.  16528  14048  14048  13273  13824  13824  13825  13858  13858  13859  obj1
  601. 160099 138521 128659 109266 134547 123323 113296 141783 125900 114323  obj2
  602.  29433  25077  25077  22749  26937  22413  22414  26131  22452  22453  paper1
  603.  40881  37196  36161  34234  39415  34637  33320  38037  33671  32733  paper2
  604.  23567  22163  22163  21495  22293  20869  20870  21609  20355  20356  paper3
  605.   7091   6957   6957   6697   6595   6595   6596   6443   6443   6444  paper4
  606.   6670   6580   6580   6169   6146   6146   6147   6033   6033   6034  paper5
  607.  22333  18695  18695  16899  19770  16786  16787  19418  16677  16678  paper6
  608.  66236  63277  62215  65102  74061  68349  67980  71952  66117  65377  pic
  609.  21825  19143  19143  16976  18868  16691  16692  18897  17063  17064  progc
  610.  31987  27116  27148  22223  27191  22716  22451  27607  23625  23512  progl
  611.  22937  19209  19209  15095  17962  15138  15139  19429  16616  16617  progp
  612.  46185  39605  38240  27742  38781  30415  28056  40444  33026  31300  trans
  613.  
  614. Z12 is LZW with 12 bits (i.e., a dictionary of at most 4096 strings),
  615. using compress -b12. MW is MW using the author's squeeze program [],
  616. with a dictionary of at most 300000 strings (roughly equivalent to
  617. 1500000 input characters). AP2 is AP with an input block size of 21000,
  618. using whap -m21000; AP6 has a block size of 65533, and AP3 has a block
  619. size of 300000. Y is like AP but using yabba.
  620.  
  621. Y is notably effective upon book1 and news.
  622.  
  623.  
  624.  
  625. XXX talk about implementation issues!
  626.  
  627. XXX what else do people want to see in this section?
  628.  
  629.  
  630.  
  631. ----- 6. Conclusion
  632.  
  633. --- Life goes on
  634.  
  635. Y coding is not much more complex than LZW coding and produces generally
  636. better results. It is one of the most effective non-Huffman-based
  637. LZ78-style compressors.
  638.  
  639.  
  640. --- How to achieve fame and fortune
  641.  
  642. It may be possible to implement Y so that the decoding does not have to
  643. do all the work of the coding. In particular, three-fourths of the
  644. dictionary strings are typically not used at all; they should not have
  645. to be handled during decoding. Even if Y cannot be sped up, there is
  646. probably some character-increment per-character dictionary compressor
  647. that achieves similar results to Y but runs as quickly as LZW or AP.
  648. This is a area for future research.
  649.  
  650. We have not discussed different ways to code the output numbers. Huffman
  651. coding and arithmetic coding both produce quite respectable improvements
  652. over and above the compression of the basic Y method. Little is known
  653. about the best way to code a sequence from a dynamically expanding
  654. alphabet; it is a bit counterintuitive that semiadaptive Huffman coding
  655. upon an output Y sequence can produce worse results than adaptive
  656. Huffman coding.
  657.  
  658. It would be interesting to compare a straight modeller with Y plus a
  659. Huffman coder to see which produces better results.
  660.  
  661.  
  662. --- Acknowledgments
  663.  
  664. The author would like to thank James Woods for his support and
  665. encouragement, as well as for many copies of papers; Richard Stallman,
  666. for motivating the author to find Y coding; and Herbert J. Bernstein for
  667. general comments and for suggesting the order of presentation of this
  668. material.
  669.  
  670.  
  671. --- So who are these LZWMWAPY people anyway?
  672.  
  673. LZW stands for Lempel, Ziv, Welch. In 1977 Ziv and Lempel discovered the
  674. first in what are now called the LZ family of dictionary compressors.
  675. The original LZ algorithms were like LZW, but transmitted both p and c
  676. and then skipped past pc. They also started with a dictionary of just
  677. the null string. (For detailed surveys of various LZ methods, the reader
  678. should consult [], [], [].) Welch popularized the LZ variant, now called
  679. LZW, in which the extra character was not transmitted but became the
  680. first character of the next phrase.
  681.  
  682. Miller and Wegman independently discovered several LZ variants in 1984,
  683. including LZW and MW. In fact, Seery and Ziv had in 1978 proposed an LZ
  684. variant where two adjacent phrases were concatenated; this is related to
  685. MW in approximately the same way that LZ is related to LZW. (Seery and
  686. Ziv also introduced an important improvement for binary alphabets: if
  687. 01101 and 01100 are in the dictionary, there is no way that 0110 can be
  688. a longest match, so it can effectively be removed from the dictionary.)
  689.  
  690. AP stands for ``all prefixes.'' It was originally discovered by Storer
  691. in 1988 (?) and independently rediscovered by this author in 1990.
  692.  
  693. Y actually does stand for yabbadabbadoo. The author discovered Y coding
  694. on December 26, 1991; he used yabbadabbadabbadoo as an example in
  695. explaining the method to Woods the next day. Woods replied [] ``I'll
  696. have to look at your yabbadabbadoo code again to see how it differs from
  697. LZR.'' The author promptly adopted ``Y coding'' as the official name.
  698. (Ross Williams has suggested [] that ``LZDB coding'' might be more
  699. appropriate.)
  700.  
  701.  
  702. --- References
  703.  
  704. Yeah, yeah, I'm still writing up proper citations. XXX
  705.