Código Natural

De Documentação
Todo código natural pode ser expresso univocamente através de uma cadeia de bits.

O conjunto dos Códigos Naturais foi definido em analogia ao conjunto dos números naturais (ℕ). O conjunto dos Códigos Naturais é munido de regras e operações, tais como ordenação, regras de notação posicional e regras de estruturação hierárquica. Cada um de seus elementos pode ser designado código natural e expresso através de uma cadeia de bits.

Números naturais também podem ser mapeados em cadeias de bits, mas esse mapeamento não abrange todas as cadeias possíveis. O código natural 0010 por exemplo é distinto do código 10, de modo que existem mais códigos naturais do que números naturais: o conjunto ℕ mapeado em cadeias de bits forma um subconjunto dos códigos naturais.

Formalização e licença: em [KraEtAll2019], registrado como CC0.
Implementação das operações em git.osm.codes/NaturalCodes.
Aplicações: geocódigos, indexadores, identificadores hierárquicos (de classes estáveis), rotuladores, hashes etc. Existe uma infinidade de aplicações onde as cadeias de bits são mais convenientemente interpretadas como códigos naturais, do que como números naturais.

Resumo didático

Um código qualquer é representado internamente, no computador, por uma cadeia de bits; que por sua vez é meramente uma sequência de símbolos dentro do computador (tipicamente zeros e uns). O conceito de código é mais abrangente e não deve ser confundido com o conceito de número: aplicamos apenas aos números a regra de "eliminar zeros à esquerda". Se digo que 007 é um número usual, então será o mesmo que 7; mas se digo que é um código, devo considerar 007 e 7 como entidades distintas.

A cadeia de bit é um tipo de dado primitivo, bem simples, possui poucas operações e poucos métodos de conversão. Podemos conceber um tipo de dado derivado um pouco mais sofisticado, com operações adicionais, tais como soma e sucessão, e com métodos de conversão, tais como conversão para notação posicional.

Números, por exemplo, são tipos primitivos bem mais sofisticados, com muito mais recursos computacionais e interoperabilidade com outros tipos de dados. O conjunto dos números naturais () é munido das operações de soma, multiplicação e de regras de notação posicional (decimal, binária, hexadecimal, etc.). Similarmente, o conjunto dos Códigos Naturais foi definido em [KraEtAll2019] através da formalização das operações de ordenação, soma, subtração, regras de notação posicional e regras de estruturação hierárquica.

Histórico

O Instituto AddressForAll propôs em 2019 uma nova notação para os códigos naturais, similar à notação hexadecimal, garantindo que a hierarquia entre códigos seja preservada, tal como na cadeia de bits; batizando-a mais tarde de base16h.

O documento [KraEtAll2019] foi registrado na Fundação Biblioteca Nacional sob o protocolo número 2801/19, garantindo que nenhuma patente ou direito autoral possam ser reclamados quanto à notação criada (base4h, base8h e base16h).

Apresentação formal

Os três primeiros conjuntos da hierarquia dos códigos naturais: .
Na ilustração ressaltamos a equivalência entre a árvore binária completa e o Conjunto de Cantor.

Sintaticamente, códigos e números podem usar os mesmos símbolos como dígitos, e, por existirem mais possibilidades de combinar símbolos na forma de códigos do que na forma de números, podemos afirmar que o conjunto dos símbolos que representam elementos de é subconjunto dos códigos naturais. Para tirar proveito dessa relação sintática, denominaremos o conjunto dos números naturais (de k bits) convertidos para cadeias de bits de tamanho fixo k.

O conjunto dos códigos naturais, , pode ser induzido do conjunto , relativo a cadeias de no máximo k bits, gerado pela seguinte recorrência:

onde e nos demais os elementos são representações binárias de tamanho fixo k dos valores até . Por exemplo, para k=0 até k=8 temos os seguintes conjuntos :

Por indução podemos supor também o "conjunto dos números naturais de 0 bits", que corresponde ao conjunto vazio, . Sintaticamente, a cadeia de bits vazia, necessária em diversas situações.

O número total de elementos em Xk, ou seja, , pode ser inferido por . Usando a recorrência temos , que contém a conhecida série das potências de 2 sem o último termo de 20, , resultando em .

Definição alternativa

O conjunto dos códigos naturais pode ser também expresso exclusivamente através de números naturais. Podemos usar os pares numéricos tamanho-valor, com o tamanho l variando de zero a k bits, e valores n variando de zero ao máximo permitido pelos k bits:

Os pares descrevem com exatidão e podem ser traduzidos para cadeias de bits (bitStrings). Ilustrando o uso dos pares (l,n), também designados "size-value pairs", em notação decimal:

BitString (size,value)   BitString (size,value)
0 (1,0)   000000 (6,0)
111 (3,7)   00000101 (8,5)

Problemas típicos com códigos

Números binários são representações válidas da notação posicional base2, e podem ser representados de forma mais compacta (mais amigável para o ser humano) através de bases maiores, tais como base8 (sistema octal) ou base10 (sistema decimal). Códigos, todavia, não possuem um sistema posicional adequado, não existe um padrão para se representar todos os códigos naturais, nem sequer na base4.

Outro problema é a ordem: códigos naturais, para exibirem a ordem hierárquica, precisam ser ordenados lexicograficamente (ao invés de numericamente). Em por exemplo iniciamos pelo 0, depois 00, depois 01, depois 1, etc.

A noção de código natural nos ajuda estudar esses problemas, e valorizar as eventuais soluções. A tabela abaixo, listando códigos em sua ordem natural (lexicográfica da expressão bitString), ilustra problemas da Base4 e a solução Base4h, bem como a solução hbit.

(size,value) BitString Base4 Base4h hbitBitstring hbit
(1,0) 0 ? G 10 2
(2,0) 00 0 0 100 4
(3,0) 000 ? 0G 1000 8
(4,0) 0000 00 00 10000 16
(5,0) 00000 ? 00G 100000 32
(6,0) 000000 000 000 1000000 64
(7,0) 0000000 ? 000G 10000000 128
(8,0) 00000000 0000 0000 100000000 256
(8,1) 00000001 0001 0001 100000001 257
(7,1) 0000001 ? 000Q 10000001 129
(8,2) 00000010 0002 0002 100000010 258
(8,3) 00000011 0003 0003 100000011 259
(6,1) 000001 001 001 1000001 65
(7,2) 0000010 ? 001G 10000010 130
(8,4) 00000100 0010 0010 100000100 260
(8,5) 00000101 0011 0011 100000101 261
... ... ... ... ... ...

A coluna "hbitBitstring" é relativa à representação das bitStrings em formato "hidden bit", definido em [KraEtAll2019]. Consiste em acrescentar o 1 na frente da bitString, para que não lhe cortem os zeros à esquerda, ao interpretá-la como número inteiro positivo (em formato decimal na coluna hbit).

A coluna "Base4" é a tentativa (frustrada) de representar as bitStrings com o algoritmo da notação posicional numérica da Base 4. A coluna "Base4h" é a inovação proposta em [KraEtAll2019], que adaptou o algoritmo para expressar códigos ao invés de números, permitindo zeros a esquerda e quantidade variável de dígitos.

Nota. Conjuntos finitos de códigos naturais sempre podem ser expressos como conjuntos de hbits, portanto através de números naturais. O conjunto de todos os Códigos Naturais todavia é infinito, e neste caso particular (com infinitos elementos), a representação hbit não é permitida pelo Teorema de Cantor. Portanto, matematicamente, size-value é um tradutor mais rigoroso para expressões em .

Tamanho do problema

Quantos códigos naturais de k bits deixam de ser representados na Base N?

Avaliando a seguir apenas bases com N em {4, 8, 16, 32} da RFC 4648 das aplicações da Internet e (base 4) das aplicações em geocódigos. São todas na forma , com n variando de 2 (4=22) a 5 (32=25). O valor de n fornece também o número de bits por dígito da base, por exemplo base N=8 temos n=3, portanto cada dígito da base 8 tem 3 bits.

Na tabela abaixo foram avaliadas experimentalmente as taxas de ocupação para diversos valores de k, resultando em uma quantidade de códigos, , e nas quantidades de representações válidas a cada base.

Base and occupancy rate of n_codes
k (bits) n_codes base4 base8 base16 base32
1 2 0 0% 0 0% 0 0% 0 0%
2 6 4 67% 0 0% 0 0% 0 0%
3 14 4 29% 8 57% 0 0% 0 0%
4 30 20 67% 8 27% 16 53% 0 0%
5 62 20 32% 8 13% 16 26% 32 52%
6 126 84 67% 72 57% 16 13% 32 25%
7 254 84 33% 72 28% 16 6% 32 13%
8 510 340 67% 72 14% 272 53% 32 6%
9 1022 340 33% 584 57% 272 27% 32 3%
10 2046 1364 67% 584 29% 272 13% 1056 52%
11 4094 1364 33% 584 14% 272 7% 1056 26%
12 8190 5460 67% 4680 57% 4368 53% 1056 13%
13 16382 5460 33% 4680 29% 4368 27% 1056 6%
14 32766 21844 67% 4680 14% 4368 13% 1056 3%
15 65534 21844 33% 37448 57% 4368 7% 33824 52%
16 131070 87380 67% 37448 29% 69904 53% 33824 26%
Average on stable cycle: 50% 33% 25% 20%
Loss, 100% - occupancy: 50% 67% 75% 80%

Os valores percentuais foram calculados com relação a n_codes, as médias finais de occupancy com relação aos ciclos.

O comportamento da taxa de ocupação é cíclico e converge rapidamente, sendo destacado em negrito o primeiro ciclo estável de cada base. A média dentro do ciclo estável é a esperada pelo número de bits: em 2 bits (base 4) apenas os códigos de 1 bit deixam de ser representados, portanto 50%; em 3 bits (base 8) os códigos de 1 e 2 bits deixam de ser representados, portanto apenas 1/3 = 33% é representado; em 4 bits apenas 1/4=25% e em 5 bits apenas 1/5=20%.

Conclusão: nas bases de aplicação mais frequente (as bases 8 e 16), entre 67% e 75% dos códigos naturais deixam de ser representados. É uma perda muito grande, vale a penas investir numa solução.

Problemas típicos com taxonomias

... indexação e recuperação da hierarquia num banco de dados relacional ...

Inovações tecnológicas

...

Na representação interna

Ver Código natural/Representação interna.

....

Na representação textual

A sequência de 16 células pode ser rotulada pela base 4h. Esses rótulos podem ser empregados como geocódigos.
Ao contrário da base 4 numérica, que remove zeros a esquerda, a base 4h os mantém, por representar códigos e não números.
Oito células rotuladas hierarquicamente pela base4h. Reparar que os prefixos da ilustração anterior são preservados. Por ex. na anterior 00 e 03 possuem mesmo prefixo 0 que 0G e 0Q. Todas ocupam geometricamente o mesmo "quadrante 0" da célula-mãe.

A demanda por geocódigos eficientes motivou uma inovação tecnológica, desenvolvida pela AddressForAll. Do ponto de vista matemático é uma generalização da representação posicional, aplicada a códigos naturais. Assim como os números (binários base 2, decimais base 10, hexadecimais base 16, etc.), os códigos podem ser representados nos meios de comunicação de forma mais compacta que cadeias de bits, através de diferentes bases.

A base 4 (ou "sistema de numeração quaternário") é simples e já representa números de maneira mais compacta que a notação binária. Usa somente os dígitos 0 a 3. A sequência numérica de 0 a 6 por exemplo, em notação binária [0,1,10,11,100,101,110]2, convertida para base 4 se torna [0,1,2,3,10,11,12]4, economizando 5 dígitos.

Abaixo é ilustrado o uso clássico da base 4 em códigos: tradição de adaptação da base numérica, permitindo zeros a esquerda ao representar códigos. Mostra como a adaptação falha para certos códigos, e como a inovação da base 4h resolve o problema:

  • permite representar cadeias de bits (bit strings) de qualquer tamanho;
  • permite agrupar hierarquicamente.

 KraEtAll2019-fig02-quest.png

 KraEtAll2019-fig03-awns.png

Inspiradas nesta inovação para a base 4, foram criadas também a base 8h e a base 16h.

As questões de ordenação são resolvidas por algoritmos de comparação aplicados à representação interna do código, em geral a binária. A ordem lexicográfica dos bits é a mesma que a chamada "preorder" de uma árvore binária. A "level order" pode ser útil para certas situações, mas não é considerada a ordem nativa dos códigos naturais.

KraEtAll2019-fig05-orders.png

A ordem é indiferente ao conjunto, podem haver saltos na sequência. Por ex. ao ordenar lexicograficamente o conjunto de códigos binários {10, 0, 1, 001} obtemos a série [0, 001, 1, 10]2h.

Portanto, dentro de um conjunto com tamanho fixo de k bits, Pk (onde todos os elementos estão no nível k da hierarquia), a preorder e a level order resultam em ordenações equivalentes. A ordenação é realizada através de um algoritmo de comparação de pares de códigos, que pode tirar vantagem dessa equivalência para ser mais rápido.

Listagens ilustrativas

Resumodo de Código natural/Listagens com representações

Nas tabelas abaixo são apresentadas amostragens das bitstrings ordenadas de X1, X2 e X8. A coluna count é um contador de linhas para o humano acompanhar em representação decimal a sequência, as colunas b4h e b15h são as representações em base4h e base16h respectivamente.

A coluna hbit é a representação "hidden bit", onde a inclusão à esquerda do dígito 1 na bitstring resulta em um valor decimal maior. Por exemplo as bitstrings 0, 1 e 00 com o 1 na frente serão 10, 11 e 100, que em decimal serão 2, 3 e 4.

X1: códigos naturais com no máximo 1 bit,
count bitstring hbit b4h b16h
0 1
1 0 2 G G
2 1 3 Q Q
X2: códigos naturais com no máximo 2 bits,
count bitstring hbit b4h b16h
0 1
1 0 2 G G
2 00 4 0 H
3 01 5 1 M
4 1 3 Q Q
5 10 6 2 R
6 11 7 3 V
...
X8: códigos naturais com no máximo 8 bits,
count bitstring hbit b4h b16h
0 1
1 0 2 G G
2 00 4 0 H
3 000 8 0G J
4 0000 16 00 0
5 00000 32 00G 0G
6 000000 64 000 0H
7 0000000 128 000G 0J
8 00000000 256 0000 00
9 00000001 257 0001 01
10 0000001 129 000Q 0K
11 00000010 258 0002 02
12 00000011 259 0003 03
13 000001 65 001 0M
14 0000010 130 001G 0N
15 00000100 260 0010 04
16 00000101 261 0011 05
17 0000011 131 001Q 0P
18 00000110 262 0012 06
19 00000111 263 0013 07
20 00001 33 00Q 0Q
21 000010 66 002 0R
22 0000100 132 002G 0S
23 00001000 264 0020 08
24 00001001 265 0021 09
25 0000101 133 002Q 0T
26 00001010 266 0022 0a
27 00001011 267 0023 0b
28 000011 67 003 0V
29 0000110 134 003G 0Z
30 00001100 268 0030 0c
... ... ... ... ...
509 11111110 510 3332 fe
510 11111111 511 3333 ff
Nota. A coluna count faz a contagem de bitstrings ordenadas, mas não começa com o valor 1. Para a biststring vazia adotamos a noção de "zerézima linha", para compatibilizar com a coluna hbit (o próprio marcador tem valor 1). A rigor a noção de "zerézimo" é também adotada pela numeração ordinal em Matemática. Reparar que o acréscimo da linha zero garante também a compatibilização entre a quantidade de linhas e o valor final de hbit.

Demais fundamentos

Hierarquia como coleção de conjuntos aninhados

Um conjunto aninhado é um conjunto contendo uma cadeia de subconjuntos, formando uma estrutura hierárquica. Na Teoria dos Conjuntos, está relacionado à ordem parcial, e os conjuntos aninhados são usados como referência para quaisquer definições de hierarquia ou herança de classe.

Seja B um conjunto não vazio e C uma coleção de subconjuntos de B, com . Então C é uma coleção de conjuntos aninhados se:
 
Então podemos supor que a coleção C que representa a hierarquia dos k-Códigos Naturais é definida por
 
onde as operações da união estão demonstrando que a segunda condição é satisfeita.

Então sempre é verdade que
 
ou, generalizando, que  i<a  implica XiXa. A coleção Ck é uma ordem parcial para “⊂”, portanto, uma ordem estrita de inclusão.

Outro aspecto do conceito de hierarquia está na hierarquia dos elementos de Xi. Comentada anteriormente, pode ser expressa pelas relações sintáticas entre os prefixos dos elementos de um conjunto Xi  e do seu conjunto-origem Xi-1. Cada elemento x de Xi  com mais de um bit,

  • a representação da cadeia de bits é uma concatenação de um prefixo p e um sufixo sx=ps,  onde  pXi-1.
  • na representação por par o prefixo p de x é dado por .

Ambas representações garantem que, sintaticamente, os elementos p de Xi-1 são "pais" dos elementos x de Xi. Ao passo que as relações gerais de inclusão garantem que Xi-1Xi (o conjunto dos elementos-pais está contido no conjunto dos elementos-filhos).

NatCodes-hierarchy2.png

São facetas da mesma hierarquia em árvore, embutida na estrutura dos conjuntos e na sintaxe dos seus elementos.

Bases 2h, 4h, 8h e 16h

Resumo de Código natural/Base h.

... resumo...

Reproduzindo a preorder dentro de um número inteiro

A ordem lexigrográfica dos formadas por zeros e uns, que resulta na chamada *preorder* das árvores binárias, .. conceito de distância conforme https://math.stackexchange.com/q/3142409/70274


Ordenações lexicográfica e numérica

Para simplificar as convenções da base-h, reutilizamos os alfabetos:
  alphabet(base4h) ⊂ alphabet(base8h) ⊂ alphabet(base16h).

Outra decisão importante, para manter as representações numéricas como um subconjuntos das representações de códigos base-h:
  rep(base4) ⊂ rep(base4h);  rep(base8) ⊂ rep(base8h);  rep(base16) ⊂ rep(base16h).

O alfabeto da base 16h, para representar os primeiros 30 códigos naturais.

Pagamos um preço alto pela última decisão quando estamos ordenando uma lista de Códigos Naturais: "ordem numérica base16" e "ordem bitstring base16h" são intercaladas. O objetivo é a ordem lexicográfica da cadeia de bits, conforme tabela ao lado, onde as células coloridas mostram o problema de intercalação.

O melhor que podemos fazer, para o leitor humano, é preservar a ordem no conjunto de dígitos hexadecimais e a ordem no conjunto nhDigits. A ordem completa (união de conjuntos) deve utilizar, por exemplo, uma tradução no último dígito do código.

Em um banco de dados SQL, assumindo uma coluna x de códigos naturais em base16h. O “ORDER BY x” falhará. Necessita de uma tradução de caracteres, aqui expressa em PostgreSQL:

 SELECT x FROM t ORDER BY traduzir(
     x,
   'GHJ01K23MN45R67QRS89TabVZcdYef',
    '0123456789ABCDEFGHIJKLMNOPQRST'
 ) -- ou apenas a tradução do último dígito

Para ser amigável, evitando traduções, os códigos base-h devem ser representados por texto com collation especial. Supondo que a base-h seja um padrão, é natural propor um agrupamento para ela. Imagine definir uma coluna como representação base16h:

 CREATE TABLE t (x text COLLATE "num_b16h");

Algoritmos

Ver https://git.osm.codes/NaturalCodes

Ver também