Identifiant unique pour un email

Question

J'écris une application C# qui permet aux utilisateurs de stocker des emails dans une base de données MS SQL Server. Plusieurs fois, plusieurs utilisateurs seront copiés sur un e-mail d'un client. Si tous essaient d'ajouter le même courrier électronique à la base de données, je veux m'assurer que l'email n'est ajouté qu'une fois. MD5 vient à l'esprit comme un moyen de le faire. Je n'ai pas besoin de m'inquiéter de la falsification malveillante, seulement pour m'assurer que le même courriel correspondra au même hachage et qu'aucun e-mail avec un contenu différent ne sera mappé au même hachage. Ma question se résume à la façon dont on combinerait plusieurs champs dans une valeur de hachage MD5 (ou autre). Certains de ces champs auront une seule valeur par e-mail (par exemple, objet, corps, adresse e-mail de l'expéditeur) alors que d'autres auront plusieurs valeurs (nombre variable de pièces jointes, destinataires). Je souhaite développer un moyen d'identifier de manière unique un e-mail indépendant de la plateforme et de la langue (non basé sur la sérialisation). Aucun conseil?

Answer 1

Quel est le volume des e-mails Avez-vous sur l'archivage? Si vous ne vous attendez pas à ce que l'archive nécessite plusieurs téraoctets, je pense que c'est une optimisation prématurée.

Étant donné que chaque champ peut être représenté sous la forme d'une chaîne ou d'un tableau d'octets, peu importe le nombre de valeurs qu'il contient, il ressemble à une fonction de hachage. Il suffit de les hacher tous ensemble et vous obtiendrez un identifiant unique.

EDIT exemple de psuedocode

# intialized the hash object 
hash = md5() 

# compute the hashes for each field 
hash.update(from_str) 
hash.update(to_str) 
hash.update(cc_str) 
hash.update(body_str) 
hash.update(...) # the rest of the email fields 

# compute the identifier string 
id = hash.hexdigest() 

Vous obtiendrez la même sortie si vous remplacez toute la mise à jour appelle avec

# concatenate all fields and hash 
hash.update(from_str + to_str + cc_str + body_str + ...) 

Comment extraire les chaînes et l'interface varie en fonction de votre demande , langage et api.

Peu importe que des clients de messagerie différents puissent produire une mise en forme différente pour certains champs lorsqu'ils reçoivent la même entrée, cela vous donnera un hachage unique à l'e-mail d'origine. Pourquoi ne pas simplement hacher le message brut?

Answer 2

Avez-vous regardé quelques autres en-têtes comme (dans mon courrier, OS X Mail):

X-Universally-Unique-Identifier: 82d00eb8-2a63-42fd-9817-a3f7f57de6fa 
Message-Id: <EE7CA968-13EB-47FB-9EC8-5D6EBA9A4EB8@example.com> 

Au moins, le message-Id est nécessaire. Ce champ pourrait bien être le même pour le même mailing (envoyer à plusieurs destinataires). Ce serait plus efficace que le hachage.

pas la réponse à la question, mais peut-être la réponse au problème :)

Answer 3

Il code déjà tous les champs pertinents à l'exception de l'expéditeur et du destinataire de l'enveloppe, et vous pouvez les ajouter vous-même avant le hachage. Il contient également toutes les pièces jointes, le corps entier du message, etc, et c'est une représentation naturelle et facile. Il ne souffre pas non plus des collisions de hachage facilement générées par la proposition de mikerobi.