Rendimiento y costo de análisis

El motor no compara cada cadena byte a byte contra todo el archivo: busca primero fragmentos cortos de cada cadena y solo cuando encuentra uno comprueba el resto. Es el criterio que recoge una guía de rendimiento de la comunidad (no la documentación oficial del formato), que habla de fragmentos de hasta cuatro bytes. De ahí salen dos hipótesis útiles: una cadena muy corta coincide por casualidad en muchos sitios y obliga al motor a comprobar una y otra vez, y una expresión regular con repetición sin límite superior obliga a explorar mucho texto.

Son hipótesis, no leyes: la única forma de saber lo que cuesta una regla es medirla en un corpus propio. Por eso el equipo guarda segundos por regla.

Abre SELECT * FROM pruebas_de_tiempo. Cada fila es una regla medida en el mismo corpus de 20000 archivos. Una coincidencia es un archivo marcado; no todas son malas. En un corpus que el equipo considera limpio, las coincidencias son exactamente lo que no se quiere.

Tener muchas coincidencias y tardar mucho no son la misma cosa. Una regla puede marcar casi todo y ser rápida, o marcar poco y ser la más lenta. Mira la columna de segundos y la de patrón abierto, y abre SELECT * FROM fragmentos para leer las líneas de la regla que más tarda.

El equipo no solo vigila cada regla: el conjunto entero se pasa por un servidor de archivos todas las noches y tiene un tiempo máximo. Suma los segundos de las siete reglas, compáralos con el presupuesto del conjunto y calcula cuántos segundos sobran.

Dos reglas superan los 120 segundos por regla. La más lenta tiene una expresión con repetición sin límite entre dos textos fijos. La otra tiene una cadena de dos caracteres y una condición que acepta cualquier cadena. Hay tiempo para tocar una sola esta semana y el comité quiere el mayor ahorro con el menor riesgo de perder detección.