在 Python、Java 或 C++ 等语言中，哈希通常是通过调用对象的“hash”函数方法来实现的，这个方法由类型者自己提供。这种设计存在一些潜在的问题和挑战，主要包括：
- 如果输入数据已经是随机的，那么使用复杂的哈希函数可能只是在浪费计算周期。
- 如果使用一个无操作的哈希函数（no-op hasher），那么对哈希表的拒绝服务（DoS）攻击几乎是不可避免的，因为攻击者可以轻易地构造出大量冲突。
- 如果对整数进行彻底的哈希处理，那些只缓存哈希值以优化等值检查的消费者会损失性能。
如何混合哈希？
- 如果将混合哈希的任务留给用户，那么每个人都可能会发明自己的糟糕混合器
- 如果提供一个适用于大多数用例的足够好的混合器，比如 a * x + y，那么可能会因为人们错误地使用 mix(x, mix(y, z)) 而不是 mix(mix(x, y), z) 而导致安全问题。
对于哈希值，您提供什么保证？
- 是否需要哈希函数具有雪崩效应（avalanche effect）？如果不需要，那么对于简单的二的幂次大小的哈希表来说，哈希函数可能不是最优的。
- 是否需要半雪崩效应？这样可能会破坏那些或者素数大小的哈希表。
哈希函数的种子问题：
- 如果哈希函数不是种子化的，那么DoS攻击仍然是一个问题。
- 如果种子在不同的哈希表之间重用，那么这些表的性能可能会变成二次的。
- 如果种子明确地传递给每个哈希器，如何确保不同的哈希器不会意外地抵消彼此的效果？
Rust 从这些错误中吸取了教训，将责任分开：
- 对象实现Hash trait，允许它们将底层数据写入Hasher对象。
- 哈希对象实现Hasher trait，对Hash 对象写入的数据进行哈希处理。
对象将结构化数据转换为整数流；哈希器将流转换为数字哈希：
- 简化整数哈希：
- 哈希整数时，只需将整数发送给哈希器。这样，消费者可以选择提供必要保证的哈希器。
- 避免手动混合哈希：
- 用户不需要手动混合哈希值。哈希器可以以最优的方式完成这个工作。
- 适应随机数据：
- 如果已知数据是随机的，可以不改变 Hash 实现的情况下使用快速简单的哈希器。
- 定制哈希表：
- 不同的哈希表可以使用不同的哈希器，有效地提供所需的雪崩效果。
- 种子化哈希器：
- 哈希器可以为每个表单独设置种子。只有哈希器能够访问种子，因此可以安全地在混合过程中使用种子。
- 性能优化：
- 这种设计允许哈希器针对特定类型的数据进行优化，例如，对于小整数可以直接发送给哈希器，而对于复杂的结构化数据，则可以分解为更小的部分进行哈希。
- 安全性：
- 通过使用种子和特定的哈希算法，可以降低DoS攻击的风险，因为攻击者更难预测哈希值。
- 灵活性：
- 这种分离的责任允许在不同的上下文中使用不同的哈希策略，例如，对于需要高安全性的应用可以选择更复杂的哈希器，而对于性能敏感的应用则可以选择更简单的哈希器。