“近似匹配算法”（仍然是 NIST 草案）或“相似性保留哈希函数”可能会引起您的兴趣。这些算法专门用于确定两个数字对象之间的相似性。到目前为止（并且有用的）一些提议的算法是（按时间顺序）：ssdeep，sdhash，mrsh-v2。

为了确定对象之间的相似性，这些算法需要最少的数据块。Mrsh-v2 在所需的最小尺寸方面表现最佳。

Mrsh-v2 在性能和所需的最小块大小方面似乎非常有前途，但仍在开发中。我希望它可能解决您处理类似文件的问题。

为什么这样的散列不存在，或者不能是术语密码意义上的“散列”，有充分的理论理由。简而言之，如果两个“相似”输入的哈希值本身彼此“相似”，那么您可以使用它来有效地从给定输出中恢复输入，这与原像电阻相矛盾。

从您的标签中，我想您正在尝试设计一个防病毒软件，该软件知道N 个病毒“签名”以及检测与这些N值中的任何一个“相似”（出于某种相似性概念）的任何病毒，但具有计算成本大大低于N 次比较（因为N可能非常高）。当相似性的概念是“完全相等”时，您可以对签名进行排序并使用成本O(log N)进行二进制搜索（然后使用散列函数通过确保所有“签名”具有固定的大小不变）。然而，对于不那么尖锐的相似性概念，问题就变得困难了。

数据库相似性搜索是生物信息学的一个已知问题，它用于核苷酸序列和类似对象的序列，尽管偶尔存在差异，但必须在巨大的数据库中进行匹配。底线是：

• 有可能的解决方案，但它们依赖于可能遇到的实际差异的概率模型。
• 几十年来，人们一直在寻找一个好的解决方案，并且仍在寻找。

防病毒软件在不让机器慢下来的情况下检查签名的实际方法是他们业务的核心，因此他们不太健谈是可以理解的。我们可以推测，他们提出的任何解决方案都可能涉及对在野外观察到的实际病毒变异进行大量调整和假设。

散列专门用于使输入看起来尽可能不同。您想要的是一种聚类算法，旨在将“相似”项目分类到相同或相邻的 bin 中。相似性不是一个定义明确的概念，您需要一个特定于域的定义。

就像一个思想实验一样，假设您想检测通过从其他文档中剪切和粘贴来完成的学期论文欺诈行为。您可能会执行以下操作：

1. 散列每个 4 字序列并计算每个散列的出现次数。
2. 丢弃出现在大型通用文档字典中的所有哈希值。
3. 对剩下的n 个最常见的哈希值进行分类。

要比较两个文档的相似性，请计算它们共有多少个分箱哈希。

您指的是局部敏感散列： https ://en.wikipedia.org/wiki/Locality-sensitive_hashing

旁注：散列并不像某些人所建议的那样本质上是分散的。这是加密哈希的显式属性。散列本身只是从变量到固定大小值的映射（实际上并不完全正确，参见例如 ssdeep）。在现实世界的散列函数中，它们是非内射满射函数，这基本上意味着它们可以发生冲突。