PAX (Pre-Allocate eXtension) è un formato di archivio compresso open source sviluppato da Microsoft come alternativa moderna a formati esistenti come ZIP, RAR e tar. È stato progettato per affrontare le limitazioni e migliorare la compressione, le prestazioni, la sicurezza e la funzionalità della gestione degli archivi su sistemi e dispositivi moderni.
Le principali caratteristiche distintive del formato PAX includono una compressione avanzata che utilizza algoritmi moderni, un accesso casuale efficiente ai file all'interno degli archivi, supporto nativo al multi-threading, metadati estensibili, crittografia integrata e controllo dell'integrità e una specifica aperta documentata per incoraggiare un'ampia adozione e interoperabilità.
Gli archivi PAX utilizzano l'estensione file .pax e hanno una struttura interna multi-parte costituita da un'intestazione, una directory centrale, blocchi di dati compressi e un piè di pagina. Ciò consente di archiviare separatamente le informazioni chiave come il contenuto dell'archivio, i parametri di compressione e gli hash di integrità dai dati effettivi del file compresso.
L'intestazione PAX inizia con un numero magico di 4 byte (50 41 58 00 in esadecimale) per l'identificazione. Contiene quindi campi per la versione PAX, il metodo di compressione, il metodo di crittografia, il metodo hash, la dimensione del blocco, il numero di thread di compressione paralleli e vari flag. L'intestazione termina con metadati XML estensibili che forniscono dettagli sull'archivio.
Dopo l'intestazione c'è la directory centrale PAX. Questa contiene una voce per ciascun file/cartella compresso nell'archivio, archiviando il percorso completo, gli attributi, le dimensioni, gli offset dei blocchi e gli hash. Avere tutto questo in un unico posto consente di elencare in modo efficiente il contenuto dell'archivio e di accedere in modo casuale ai singoli file senza dover eseguire la scansione dei dati compressi.
La maggior parte di un archivio PAX è una serie di blocchi di dati compressi. Ogni blocco ha una piccola intestazione che indica la dimensione non compressa e compressa, seguita da un frammento di dati del file compresso con l'algoritmo configurato. I blocchi hanno una dimensione predefinita di 1 MB, ma questa può essere regolata nell'intestazione dell'archivio.
I blocchi di dati compressi vengono crittografati facoltativamente se viene specificato un metodo di crittografia. PAX supporta schemi di crittografia moderni come AES-256. La password dell'archivio viene utilizzata per derivare una chiave che crittografa ciascun blocco in modo indipendente, consentendo un accesso casuale efficiente. Per l'autenticazione, PAX esegue l'hash delle password con un KDF sicuro.
Per la compressione, PAX supporta una varietà di codec moderni per uso generico ottimizzati per una decompressione rapida: LZMA, LZ4, Brotli, Zstandard, ecc. Consente inoltre preprocessori per un'ulteriore riduzione delle dimensioni su tipi di file specifici (ad esempio, codifica Delta su EXE/DLL, codifica E8E9 su codice x86). I codec e i preprocessori vengono applicati in una pipeline.
Per abilitare una compressione multi-thread efficiente, i file vengono partizionati in blocchi compressi in modo indipendente che possono essere elaborati da istanze di codec parallele. Il compressore PAX si ridimensiona automaticamente per utilizzare tutti i core della CPU disponibili. Una partizione simile consente la decompressione parallela per un'estrazione più rapida.
PAX fornisce integrità dei dati e rilevamento delle manomissioni archiviando gli hash dei dati originali e compressi. Gli archivi trasportano un hash dell'intestazione per rilevare il troncamento. Anche la directory centrale viene sottoposta ad hash per evitare manomissioni dei metadati del file. Il bit rot nei dati compressi viene rilevato eseguendo l'hash di ciascun blocco.
Alla fine di un archivio PAX c'è il piè di pagina. Questo contiene una copia dei campi dell'intestazione, l'offset/dimensione della directory centrale e un hash dell'intero archivio. Il piè di pagina ha una dimensione fissa ed è sempre alla fine del file, consentendo una facile individuazione e verifica degli archivi PAX.
Gli archivi PAX possono essere aggiornati in modo efficiente modificando la directory centrale e aggiungendo blocchi di dati modificati, rispetto alla riscrittura di interi archivi come ZIP. È possibile inserire, rimuovere o sostituire interi file aggiornando i metadati e aggiungendo/rimuovendo i blocchi pertinenti. Anche gli archivi possono essere aggiunti rapidamente.
Per mitigare le vulnerabilità zip-slip, PAX richiede percorsi espliciti (nessun attraversamento ../) e impedisce la scrittura al di fuori della radice di estrazione. I lunghi campi di metadati ZIP che hanno consentito il denial-of-service sono limitati. Le compression bomb vengono mitigate tramite limiti al rapporto di compressione e all'utilizzo della memoria.
Le timestamp dei file negli archivi PAX utilizzano un formato standard a 64 bit che copre un'ampia gamma di date con una precisione di 1 secondo. Sono supportati gli attributi per le autorizzazioni POSIX e gli ACL di Windows. PAX può archiviare flussi di dati alternativi NTFS e fork di risorse. Sono rappresentabili anche i collegamenti simbolici e i collegamenti fisici.
L'SDK PAX open source fornisce semplici API per creare, estrarre, aggiornare e verificare gli archivi PAX a livello di programmazione. Gestisce tutti i dettagli di basso livello del formato PAX. L'SDK è disponibile in più linguaggi, tra cui C, C++, C#, Java, Python, JavaScript, Go e Rust.
In sintesi, il formato di archivio PAX si basa sulle fondamenta di formati collaudati come ZIP, introducendo al contempo funzionalità e ottimizzazioni moderne: compressione efficiente, multi-threading, accesso casuale, sicurezza e una specifica aperta. Ciò rende PAX ideale per un'ampia gamma di scenari di archiviazione sui sistemi odierni.
La compressione dei file riduce la ridondanza in modo che le stesse informazioni occupino meno bit. Il limite superiore di quanto si può andare è governato dalla teoria dell'informazione: per la compressione senza perdita, il limite è l'entropia della fonte (vedi il teorema della codifica di sorgente di Shannon e il suo articolo originale del 1948 “Una teoria matematica della comunicazione”). Per la compressione con perdita, il compromesso tra velocità e qualità è catturato dalla teoria tasso-distorsione.
La maggior parte dei compressori ha due fasi. In primo luogo, un modello predice o espone la struttura nei dati. In secondo luogo, un codificatore trasforma tali previsioni in modelli di bit quasi ottimali. Una famiglia di modellazione classica è Lempel-Ziv: LZ77 (1977) e LZ78 (1978) rilevano sottostringhe ripetute ed emettono riferimenti invece di byte grezzi. Sul lato della codifica, la codifica di Huffman (vedi l'articolo originale del 1952) assegna codici più brevi a simboli più probabili. La codifica aritmetica e la codifica a intervalli sono alternative a grana più fine che si avvicinano al limite dell'entropia, mentre i moderni Sistemi Numerici Asimmetrici (ANS) ottengono una compressione simile con implementazioni veloci basate su tabelle.
DEFLATE (usato da gzip, zlib e ZIP) combina LZ77 con la codifica di Huffman. Le sue specifiche sono pubbliche: DEFLATE RFC 1951, wrapper zlib RFC 1950, e formato file gzip RFC 1952. Gzip è strutturato per lo streaming ed esplicitamente non tenta di fornire accesso casuale. Le immagini PNG standardizzano DEFLATE come unico metodo di compressione (con una finestra massima di 32 KiB), secondo le specifiche PNG “Metodo di compressione 0… deflate/inflate… al massimo 32768 byte” e W3C/ISO PNG 2a Edizione.
Zstandard (zstd): un compressore generico più recente progettato per rapporti elevati con decompressione molto veloce. Il formato è documentato in RFC 8878 (anche mirror HTML) e nelle specifiche di riferimento su GitHub. Come gzip, il frame di base non mira all'accesso casuale. Uno dei superpoteri di zstd sono i dizionari: piccoli campioni dal tuo corpus che migliorano drasticamente la compressione su molti file piccoli o simili (vedi documenti del dizionario python-zstandard e l'esempio funzionante di Nigel Tao). Le implementazioni accettano dizionari sia “non strutturati” che “strutturati” (discussione).
Brotli: ottimizzato per i contenuti web (ad es. font WOFF2, HTTP). Mescola un dizionario statico con un core di entropia LZ+ simile a DEFLATE. La specifica è RFC 7932, che nota anche una finestra scorrevole di 2WBITS−16 con WBITS in [10, 24] (da 1 KiB−16 B a 16 MiB−16 B) e che non tenta l'accesso casuale. Brotli spesso batte gzip sul testo web decodificando rapidamente.
Contenitore ZIP: ZIP è un archivio di file che può memorizzare voci con vari metodi di compressione (deflate, store, zstd, ecc.). Lo standard de facto è l'APPNOTE di PKWARE (vedi portale APPNOTE, una copia ospitata, e panoramiche LC Formato file ZIP (PKWARE) / ZIP 6.3.3).
LZ4 punta alla velocità grezza con rapporti modesti. Vedi la sua pagina del progetto (“compressione estremamente veloce”) e il formato del frame. È ideale per cache in memoria, telemetria o percorsi caldi in cui la decompressione deve essere quasi alla velocità della RAM.
XZ / LZMA spingono per la densità (ottimi rapporti) con una compressione relativamente lenta. XZ è un contenitore; il lavoro pesante è tipicamente svolto da LZMA/LZMA2 (modellazione simile a LZ77 + codifica a intervalli). Vedi formato file .xz, la specifica LZMA (Pavlov), e le note del kernel Linux su XZ Embedded. XZ di solito comprime meglio di gzip e spesso compete con i moderni codec ad alto rapporto, ma con tempi di codifica più lenti.
bzip2 applica la Trasformata di Burrows-Wheeler (BWT), move-to-front, RLE e la codifica di Huffman. È tipicamente più piccolo di gzip ma più lento; vedi il manuale ufficiale e le pagine man (Linux).
La “dimensione della finestra” è importante. I riferimenti DEFLATE possono guardare indietro solo di 32 KiB (RFC 1951 e il limite di 32 KiB di PNG notato qui). La finestra di Brotli varia da circa 1 KiB a 16 MiB (RFC 7932). Zstd regola la finestra e la profondità di ricerca per livello (RFC 8878). I flussi di base gzip/zstd/brotli sono progettati per la decodifica sequenziale; i formati di base non promettono l'accesso casuale, sebbene i contenitori (ad es. indici tar, framing a blocchi o indici specifici del formato) possano stratificarlo.
I formati di cui sopra sono senza perdita: è possibile ricostruire i byte esatti. I codec multimediali sono spesso con perdita: scartano dettagli impercettibili per raggiungere bitrate più bassi. Nelle immagini, il JPEG classico (DCT, quantizzazione, codifica entropica) è standardizzato in ITU-T T.81 / ISO/IEC 10918-1. Nell'audio, MP3 (MPEG-1 Layer III) e AAC (MPEG-2/4) si basano su modelli percettivi e trasformate MDCT (vedi ISO/IEC 11172-3, ISO/IEC 13818-7, e una panoramica MDCT qui). Con perdita e senza perdita possono coesistere (ad es. PNG per le risorse dell'interfaccia utente; codec Web per immagini/video/audio).
Teoria: Shannon 1948 · Velocità-distorsione · Codifica: Huffman 1952 · Codifica aritmetica · Codifica a intervalli · ANS. Formati: DEFLATE · zlib · gzip · Zstandard · Brotli · LZ4 frame · Formato XZ. Stack BWT: Burrows–Wheeler (1994) · manuale bzip2. Media: JPEG T.81 · MP3 ISO/IEC 11172-3 · AAC ISO/IEC 13818-7 · MDCT.
In conclusione: scegli un compressore che si adatti ai tuoi dati e ai tuoi vincoli, misura su input reali e non dimenticare i vantaggi derivanti dai dizionari e dal framing intelligente. Con la giusta accoppiata, puoi ottenere file più piccoli, trasferimenti più veloci e app più scattanti, senza sacrificare la correttezza o la portabilità.
La compressione dei file è un processo che riduce le dimensioni di un file o di più file, tipicamente per risparmiare spazio di archiviazione o accelerare la trasmissione su una rete.
La compressione dei file funziona identificando e rimuovendo la ridondanza nei dati. Utilizza algoritmi per codificare i dati originali in uno spazio minore.
I due principali tipi di compressione dei file sono la compressione senza perdita e la compressione con perdita. La compressione senza perdita permette di ripristinare perfettamente il file originale, mentre la compressione con perdita consente una riduzione di dimensioni più significativa a costo di una certa perdita nella qualità dei dati.
Un esempio popolare di uno strumento di compressione dei file è WinZip, che supporta più formati di compressione tra cui ZIP e RAR.
Con la compressione senza perdita, la qualità rimane inalterata. Tuttavia, con la compressione con perdita, può esserci una diminuzione notevole della qualità perché elimina dati meno importanti per ridurre più significativamente la dimensione del file.
Sì, la compressione dei file è sicura in termini di integrità dei dati, specialmente con la compressione senza perdita. Tuttavia, come qualsiasi file, i file compressi possono essere presi di mira da malware o virus, quindi è sempre importante avere in atto un software di sicurezza affidabile.
Quasi tutti i tipi di file possono essere compressi, inclusi file di testo, immagini, audio, video e software. Tuttavia, il livello di compressione ottenibile può variare significativamente tra i tipi di file.
Un file ZIP è un tipo di formato di file che utilizza la compressione senza perdita per ridurre le dimensioni di uno o più file. Più file in un file ZIP sono effettivamente raggruppati insieme in un unico file, il che facilita anche la condivisione.
Tecnicamente, sì, anche se la riduzione aggiuntiva delle dimensioni potrebbe essere minima o addirittura controproducente. Comprimere un file già compresso potrebbe a volte aumentare le sue dimensioni a causa dei metadati aggiunti dall'algoritmo di compressione.
Per decomprimere un file, di solito ti serve uno strumento di decompressione o di estrazione, come WinZip o 7-Zip. Questi strumenti possono estrarre i file originali dal formato compresso.