DerLempel-Ziv-Markow-Algorithmus (LZMA) ist einfreierDatenkompressionsalgorithmus, der von Igor Wiktorowitsch Pawlow seit 1998 entwickelt wird und vergleichsweise gute Kompressionsraten und eine hohe Geschwindigkeit beim Entpacken erreicht. Er ist benannt nachAbraham Lempel undJacob Ziv, die denLZ77-Algorithmus entwickelt haben, und nachAndrei Andrejewitsch Markow, nach dem dieMarkow-Ketten benannt wurden.
Der Algorithmus arbeitet mit einemWörterbuchverfahren ähnlich LZ77 und kann damit im Prinzip als Weiterentwicklung vonDeflate gesehen werden.
Die Kompression anhand von Lempel-Ziv-Markow wurde als LZMA implementiert und als LZMA2 weiterentwickelt.
LZMA nutzt eine verbesserte Variante desLZ77-Algorithmus,Markow-Ketten und einenBereichskodierer (eine Umsetzungarithmetischen Kodierens) zurEntropiekodierung.
LZMA komprimiert die Daten linear in einem einzigen Block bzw. Schritt. Hierdurch ist die Komprimierung durch LZMA immer auf einen Prozessorkern beschränkt, d. h., LZMA ist nicht parallelisierbar.
Der wesentliche Vorteil von LZMA ist, dass der ausführbare Code zum Entpacken von LZMA-komprimierten Daten typischerweise nur etwa 5 kByte belegt. Die beim Entpacken benötigte Menge Arbeitsspeicher hängt von der Größe des beim Packen erzeugten Wörterbuchs ab.Durch die geringe Entpackergröße und den recht geringen Speicherbedarf beim Entpacken (besonders mit kleineren Wörterbüchern) eignet sich das Verfahren besonders gut füreingebettete Anwendungen.
In der7-Zip-Umsetzung werden verschiedene Varianten vonHash-Knoten,Binärbäumen undPatricia-Tries für die Wörterbuch-Suche genutzt.
LZMA2 sieht im Gegensatz zu LZMA per Entwurf die gleichzeitige Ausführung auf mehreren Prozessorkernen vor. Hierzu teilt LZMA2 die gesamte zu komprimierende Datenmenge in Abschnitte auf, die jeweils von separaten Prozessen, bzw. Threads komprimiert werden. Die spätere Dekompression erfolgt ebenfalls parallel. Bei der Kompression bauen alle Prozesse ein gemeinsames Wörterbuch auf. Die Restdaten der Entropiekodierung werden zwangsläufig als separate Datenströme verarbeitet. Die Suboptimalität der Bereichskodierung beträgt unter ein Byte pro Eingangsdatenabschnitt. Jeder erzeugte Block des Komprimats erhält einen minimalen Datenkopf.[1] Durch die mögliche Parallelisierung wird das Packen und Entpacken auf Multi-Prozessor- und Multicore-Systemen z. T. erheblich beschleunigt.
Bei der LZMA-Komprimierung ist der komprimierte Datenstrom einBitstrom, der mit einem adaptiven Binärbereichscodierer codiert wird. DerDatenstrom wird inPakete aufgeteilt, wobei jedes Paket entweder ein einzelnes Byte oder eineLZ77-Sequenz mit implizit oder explizit codierter Länge und Entfernung beschreibt. Jeder Teil jedes Pakets wird mit unabhängigen Kontexten modelliert, sodass die Wahrscheinlichkeitsvorhersagen für jedes Bit mit den Werten dieses Bits und verwandter Bits aus demselben Feld in vorherigen Paketen desselben Typs korreliert werden. Sowohl dielzip als auch die LZMA-SDK-Dokumentation beschreiben dieses Datenstromformat.
Es gibt 7 Pakettypen:
| Bitsequenz | Paketname | Paketbeschreibung |
|---|---|---|
| 0 + Bytecode | LIT | Ein einzelnes Byte, das mit einem adaptiven Binärbereichscodierer codiert wurde. |
| 1+0 + Länge + Distanz | MATCH | Eine typische LZ77-Sequenz mit Beschreibung der Länge und Distanz. |
| 1+1+0+0 | SHORTREP | Eine 1 Byte lange LZ77-Sequenz. Die Distanz entspricht der zuletzt verwendeten LZ77-Distanz. |
| 1+1+0+1 + Länge | LONGREP[0] | Eine LZ77-Sequenz. Die Distanz entspricht der zuletzt verwendeten LZ77-Distanz. |
| 1+1+1+0 + Länge | LONGREP[1] | Eine LZ77-Sequenz. Die Distanz entspricht der vorletzten verwendeten LZ77-Distanz. |
| 1+1+1+1+0 + Länge | LONGREP[2] | Eine LZ77-Sequenz. Die Distanz entspricht der drittletzten verwendeten LZ77-Distanz. |
| 1+1+1+1+1 + Länge | LONGREP[3] | Eine LZ77-Sequenz. Die Distanz entspricht der viertletzten verwendeten LZ77-Distanz. |
LONGREP[n]-Pakete entfernen die verwendete Distanz aus der Liste der letzten Distanzen und fügen sie vorne wieder ein, um unnötige Mehrfacheingaben zu vermeiden, während MATCH die Distanz auch dann einfach vorne hinzufügt, wenn sie bereits in der Liste vorhanden ist, und SHORTREP und LONGREP[0] die Liste nicht ändern.
Die Länge wird wie folgt kodiert:
| Bitsequenz | Beschreibung |
|---|---|
| 0+ 3 Bit | Die mit 3 Bit codierte Länge ergibt einen Längenbereich von 2 bis 9. |
| 1+0+ 3 Bit | Die mit 3 Bit codierte Länge ergibt einen Längenbereich von 10 bis 17. |
| 1+1+ 8 Bit | Die mit 8 Bit codierte Länge ergibt einen Längenbereich von 18 bis 273. |
Wie inLZ77 ist die Länge nicht durch die Distanz begrenzt, da das Kopieren aus dem Wörterbuch so definiert ist, als ob das Kopieren Byte für Byte durchgeführt würde, wobei die Distanz konstant bleibt. Distanzen sind logisch 32 Bit lang und Distanz 0 zeigt auf das zuletzt im Wörterbuch hinzugefügte Byte. Die Distanzkodierung beginnt mit einem 6-Bit-Distanzschlitz, der bestimmt, wie viele weitere Bits benötigt werden. Distanzen werden als binäre Verkettung von zwei Bits, von höchstwertig bis niedrigstwertig, je nach Distanzschlitz dekodiert, wobei einige Bits mit einer festen Wahrscheinlichkeit von 0,5 kodiert werden und einige kontextkodierte Bits gemäß der folgenden Tabelle:[2][3]
| 6 Bit Distanzschlitz | höchste 2 Bits | feste 0.5 Wahrscheinlichkeitsbits | kontextkodierte Bits |
|---|---|---|---|
| 0 | 00 | 0 | 0 |
| 1 | 01 | 0 | 0 |
| 2 | 10 | 0 | 0 |
| 3 | 11 | 0 | 0 |
| 4 | 10 | 0 | 1 |
| 5 | 11 | 0 | 1 |
| 6 | 10 | 0 | 2 |
| 7 | 11 | 0 | 2 |
| 8 | 10 | 0 | 3 |
| 9 | 11 | 0 | 3 |
| 10 | 10 | 0 | 4 |
| 11 | 11 | 0 | 4 |
| 12 | 10 | 0 | 5 |
| 13 | 11 | 0 | 5 |
| 14–62 (gerade) | 10 | ((slot / 2) − 5) | 4 |
| 15–63 (ungerade) | 11 | (((slot − 1) / 2) − 5) | 4 |
Neben dem Einsatz mit speziellen Dateiformaten für komprimierte Daten wurde LZMA-Unterstützung auch in viele andere Systeme integriert. So steht bei der transparenten Kompression und Dekompression ausführbarer Dateien mitUPX (ab Version 2.92, beta) oderUpack und bei komprimierenden Dateisystemen wieSquashFS (oderCramFS, mit entsprechenden Patches) auch der LZMA zur Wahl.Bei einer großen Anzahl von Linux-Distributionen (Arch Linux seit März 2010[4] (seit 2020 allerdingsZstandard),Quelltextpakete der DistributionGentoo Linux,Slackware Linux seit 8. Mai 2009,openSUSE seit dem 27. März 2008,Pardus’ Paketverwaltung und dasDebian-Paketverwaltungssystem bieten Unterstützung, …) können mittlerweile LZMA-komprimierte Installationspakete verwendet werden. Auch Software-Installationssysteme für Windows wie dasNullsoft Scriptable Install System undInno Setup erstellen eine Art erweiterterselbstentpackender Archivdateien, die mit LZMA komprimiert sein können.
Ursprünglich konnte es nur mit dem neuen7z-Format von 7-Zip genutzt werden. Mittlerweile stehen einige weitere Formate zur Verfügung.Im Falle vonxz wurde extra im Hinblick auf LZMA-Unterstützung ein neues Format geschaffen, das speziell für die ausschließliche Verwendung mit LZMA vorgesehen ist (ähnliches gilt auch für daslzip-Format). Im Falle des neuenALZip-Formates (.egg-Dateien) ist im Zuge einer mit der Verfügbarkeit modernerer Verfahren angezeigten Modernisierung der Dateiformatfähigkeiten im Rahmen eines Kompatibilitätsbruches beim Format ein neues, moderneres (flexibleres) Dateiformat geschaffen worden, das nun hauptsächlich mit LZMA-komprimierten Inhalten verwendet wird.Im Falle vonZip2 (zum Beispiel mitWinZip ab Version 12.0 oder 7-Zip ab Version 4.61, beta) wurde einem bestehenden (erweiterbaren) Format LZMA-Unterstützung hinzugefügt.
Die Referenzimplementierung von LZMA ist in freier Software erfolgt. Sie kam zunächst in Form der 7-Zip-Programme und wird mittlerweile auch isoliert in Form des LZMA SDK veröffentlicht.Die freie Referenzbibliothek zur LZMA-Kompression wurde inC++ geschrieben und unterstütztMultithreading.
Zurzeit gibt es drei funktionierende Übertragungen auf Unix-ähnliche Plattformen:
Weiterhin verwendetGRUB2 seit Juli 2008 standardmäßig LZMA anstatt des früher verwendetenLZO (vorerst aber nur für i386-PC).
Da im Quelltext von 7-Zip ausgedehnter Gebrauch von Windows-spezifischen Eigenschaften gemacht wird, verging nach dessen Erstveröffentlichung einige Zeit bis zum Erscheinen einerUnix-kompatiblen Version, obwohl es sich um freie Software handelt.LZMA wurde erstmals 2004 mit einem Port der Kommandozeilenversion von 7-Zip namens p7zip auf Unix-Plattformen nutzbar.Im selben Jahr wurde auch das (wesentlich portablere) LZMA-SDK verfügbar, bei dem das Kommandozeilenprogramm „lzma_alone“ enthalten ist. lzma_alone wurde ähnlich gzip oder bzip2 mit tar zusammen verwendet, um Datei-Metadaten und Rechteinformationen aus Unix-Datei- und Betriebssystemen aufnehmen zu können. Weniger als ein Jahr nach der Erstveröffentlichung des LZMA SDK veröffentlichte Lasse Collin die LZMA Utils, die (zunächst nur aus einem SatzWrapper-Skripte bestehend) eine für Unix-Nutzer vertraute (gzip-ähnliche) Benutzerschnittstelle zu lzma_alone schuf.
2008 veröffentlichte Antonio Diaz lzip, welches anstatt des rohen LZMA-Datenstromes einContainerformat mit Prüfsummen undMagischen Zahlen bot. Damit war eine vollständige Lösung zur Nutzung von LZMA in Unix-Manier gegeben, die sich allerdings nur teilweise durchsetzen konnte, bevor die LZMA Utils entsprechend weiterentwickelt wurden und nun unter dem Namen „XZ Utils“ ähnliches boten.[6] Die XZ Utils scheinen sich nun als LZMA-Implementierung für Unix-ähnliche Plattformen durchzusetzen. Ihrxz-Dateiformat wird nun auch von den Referenzimplementierungen unterstützt.