AIMCS 的与其它压缩算法的比较

作者使用 AIMCS 和其它的压缩方法分别压缩一组 ASCII 编码和 Unicode 编码的短文本。这些短文本是在没有任何过滤的情况下从英语、阿拉伯语以及波斯语的 Twitter 和短文本消息中提取的。

• 为什么使用不同语言来进行实验呢？ 那是因为每种语言都有自己的熵，而熵直接影响了压缩比。

在运行时间和压缩比方面，分别比较了 AIMCS 和 LZW 与 Huffman 压缩方法的性能。结果在下面的表中。

实验一：压缩英语字符串（ASCII）得到的结果

语言	类型	算法	原始大小(Bytes)	压缩比(%)	运行时间(min)
English	SMS	LZW	80904070	85.60	5.43
English	SMS	AIMCS	80904070	77.81	16.3
English	Twitter	LZW	584630	86.79	0.04
English	Twitter	AIMCS	584630	84.31	0.13

由上表可知：

• LZW 算法在压缩英文文本的速度要比其它讨论的算法更快
• AIMCS 在压缩英文文本的压缩比其它讨论的算法要低

可以看到，在压缩相同大小的 SMS 和 Twitter 英文文本时，LZW 算法分别以 5.43分和 0.04分的时间快于 AIMCS 的 16.3分和0.13分；

但从压缩比来看，AIMCS 在压缩 SMS 和 Twitter 的英文文本时的压缩比分别是 77.81% 与 84.31% ，要远低于 LZW 压缩这两种文本的压缩比 85.60% 与 86.79%。

实验二：压缩阿拉伯和波斯语字符串（Unicode）得到的结果

语言	算法	原始大小(Bytes)	压缩比(%)	运行时间(s)
Persian	Huffman	3243550	67.55	32.56
Persian	AIMCS	3243550	58.82	35.37
Arabic	Huffman	265156	68.34	1.92
Arabic	AIMCS	265156	54.93	2.23

由上表知：

• 在几乎相同的运行时间内，AIMCS 的压缩比要明显低于 LZW 算法的压缩比。

可以看到，在压缩相同大小的文本时，AIMCS 压缩比要比 Huffman 低 8.73% 与 13.41%，极大地降低了传输文本的时间和成本。

实验三：一段时间内压缩900万条推文的压缩比

上图描述了 AIMCS 在压缩大量 tweet 的性能。

• 可以看到，随着消息数量的增加，AIMCS 在压缩 tweet 的压缩比会降低，压缩性能会更好。

结果分析

1. AIMCS 一开始对之前的数据没有足够的了解，没有建立足够大的字典，AIMCS 可能会因此无法预测之后会出现的字符串。随着字典中条目数量的增加，可以检测字符的种类和重复频率。因此随着时间的推移，AIMCS 将会提供更好的性能。
2. 为了核对偏移现象（drift phenomenon），将会把预测的字符的数量发送给接收者。如果预测的字符的数量是准确的，一个积极的分数将会被考虑，否则将考虑消极的分数。
3. AIMCS 独立于语言和语法，可以用于压缩任何具有语法结构的语言。另外，AIMCS 是通过压缩数据流来进行压缩的，所以词法错误并不会影响 AIMCS 的性能。

实验总结

由于以上优点，AIMCS 也适用于基于雾计算（fog computing）的方法。

在物联网（IoT）的场景中，许多计算能力有限的小型智能设备需要不断产生极短字符串（tiny strings）的数据，并通过互联网将其发送到远程服务器上进行处理。在这些场景中，生成的原始数据将会由一个名为 Fog Server 的实体进行压缩，该实体位于产生数据的节点和远程服务器之间，以减少 Internet 流量。

此外，AIMCS也有一些缺点，AIMCS 不太适合字符数量多、重复字符数量少的语言文本压缩。其次，AIMCS 不适合压缩文本以外的数据，因为AIMCS 设计时的压缩单元是一个字符，压缩其它图像、音频等其它数据，这些数据包含很多与文本压缩不同的参数，这使得 AIMCS 需要在发送端进行大量计算，将会大大减少压缩效率。