MinHashLSH索引中的MinHash值关系[Python3/datasketch lib]

Question

我正在从事一个项目，该项目旨在比较日志中发现的错误，并确定它们是否相互关联（例如，如果以前未发现具有给定相似性级别的错误堆栈，则将错误堆栈作为“父级”写入数据库）。 目前，我对整个错误堆栈跟踪使用一个MinHash，可能是3行、10行或任意数量的行

1. 找到新日志文件时，将执行重复数据消除步骤： -找到堆栈跟踪->；提取的最小哈希->；MinHashLSH.query->；如果其相似性级别不高于阈值，则MinHashLSH.insert。否则，我们假设它足够相似，并从处理中跳过它

2. 然后在数据库中查找现有的父/子对象，并在需要时保存新对象。LSH索引保存在Redis中

目前项目的实施效果足够好；但是，它不包括某些短堆栈跟踪是长堆栈跟踪的前几行的100%副本的情况。可以想象，这两个堆栈记录道的相似性远低于所需的0.8阈值水平

长堆栈跟踪的示例：

无法连接到服务（ConnectionFailedException）

ModuleName1.ClassName1.MethodName（ErrorText1）

ModuleName2.ClassName2.MethodName（ErrorText2）

ModuleName3.ClassName3.MethodName（ErrorText3）

ModuleName4.ClassName4.MethodName（ErrorText4）

ModuleName5.ClassName5.MethodName（ErrorText5）

短堆栈跟踪的示例：

无法连接到服务（ConnectionFailedException）

ModuleName1.ClassName1.MethodName（ErrorText1）

ModuleName2.ClassName2.MethodName（ErrorText2）

我想到的第一件事是为每个堆栈跟踪行提取MinHash并单独存储它。然后我可以检查短堆栈跟踪的n行是否与长堆栈跟踪的前n行具有1.0的相似性。从那里，我们可以确定短堆栈跟踪是否是长堆栈跟踪的100%副本，并将其保存为子堆栈。 然而，我无法理解我应该如何在MinHashLSH中存储几个相关的索引，以及在这种情况下我应该如何找到已经存在的n个散列和新堆栈跟踪的m个散列之间的所有关系。我可能能够分配一些相关的索引名，但是MinHashLSH只使用对象的MinHash来查找键，反之亦然

我的问题是：

• 这甚至可以实现我正在考虑的东西吗
• 有更好/更简单的解决方案吗