Codificación de binario a texto

Este artículo tiene varios problemas. Ayude a mejorarlo o discuta estos problemas en la página de discusión . ( Obtenga información sobre cómo y cuándo eliminar estos mensajes de plantilla ) Este artículo posiblemente contenga una investigación original . Por favor, mejorarlo mediante la verificación de las afirmaciones hechas y la adición de citas en línea . Deben eliminarse las declaraciones que solo contengan investigaciones originales. ( Abril de 2010 ) ( Obtenga información sobre cómo y cuándo eliminar este mensaje de plantilla ) Este artículo necesita citas adicionales para su verificación . Por favor, ayuda a mejorar este artículo mediante la adición de citas de fuentes confiables . El material no obtenido puede ser cuestionado y eliminado. Buscar fuentes:  "Codificación de binario a texto"  -  noticias  · periódicos  · libros  · académico  · JSTOR ( diciembre de 2012 ) ( Aprenda cómo y cuándo eliminar este mensaje de plantilla ) ( Aprenda cómo y cuándo eliminar este mensaje de plantilla )

Una codificación de binario a texto es la codificación de datos en texto sin formato . Más precisamente, es una codificación de datos binarios en una secuencia de caracteres imprimibles . Estas codificaciones son necesarias para la transmisión de datos cuando el canal no permite datos binarios (como correo electrónico o NNTP ) o no está limpio de 8 bits . La documentación de PGP ( RFC  4880 ) utiliza el término " armadura ASCII " para la codificación de binario a texto cuando se hace referencia a Base64 .

Descripción

El estándar de codificación de texto ASCII usa 128 valores únicos (0-127) para representar los caracteres alfabéticos, numéricos y de puntuación que se usan comúnmente en inglés , además de una selección de códigos de control que no representan caracteres imprimibles. Por ejemplo, la letra A mayúscula es el carácter ASCII 65, el número 2 es ASCII 50, el carácter } es ASCII 125 y el retorno de carro de metacaracteres es ASCII 13. Los sistemas basados ​​en ASCII utilizan siete bits para representar estos valores digitalmente.

Por el contrario, la mayoría de las computadoras almacenan datos en la memoria organizados en bytes de ocho bits . Los archivos que contienen código ejecutable por máquina y datos no textuales normalmente contienen los 256 valores posibles de bytes de ocho bits. Muchos programas de computadora llegaron a depender de esta distinción entre texto de siete bits y datos binarios de ocho bits , y no funcionarían correctamente si aparecieran caracteres no ASCII en datos que se esperaba que incluyan solo texto ASCII. Por ejemplo, si no se conserva el valor del octavo bit, el programa podría interpretar un valor de byte superior a 127 como una bandera que le indica que realice alguna función.

Sin embargo, a menudo es deseable poder enviar datos no textuales a través de sistemas basados ​​en texto, como cuando se puede adjuntar un archivo de imagen a un mensaje de correo electrónico. Para lograr esto, los datos se codifican de alguna manera, de modo que los datos de ocho bits se codifican en caracteres ASCII de siete bits (generalmente utilizando sólo caracteres alfanuméricos y de puntuación, los caracteres imprimibles ASCII ). Una vez que llega a salvo a su destino, se vuelve a decodificar a su forma de ocho bits. Este proceso se conoce como codificación binaria a texto. Muchos programas realizan esta conversión para permitir el transporte de datos, como PGP y GNU Privacy Guard (GPG).

Codificación de texto sin formato

Ver también: Delimitador § Armadura ASCII y Ataque de retorno a libc § Protección contra ataques de retorno a libc

Los métodos de codificación de binario a texto también se utilizan como mecanismo para codificar texto sin formato . Por ejemplo:

• Algunos sistemas tienen un conjunto de caracteres más limitado que pueden manejar; no solo no son limpios de 8 bits , algunos ni siquiera pueden manejar todos los caracteres ASCII imprimibles.
• Otros sistemas tienen límites en la cantidad de caracteres que pueden aparecer entre los saltos de línea , como el límite de "1000 caracteres por línea" de algunos programas de software SMTP , según lo permitido por RFC 2821 . 
• Incluso otros agregan encabezados o avances al texto.
• Algunos protocolos mal considerados pero que aún se utilizan utilizan señalización en banda , lo que genera confusión si aparecen patrones específicos en el mensaje. La más conocida es la cadena "De" (incluido el espacio final) al comienzo de una línea que se utiliza para separar los mensajes de correo en el formato de archivo mbox .

Al usar una codificación de binario a texto en mensajes que ya son texto sin formato y luego decodificar en el otro extremo, se puede hacer que dichos sistemas parezcan completamente transparentes . Esto a veces se denomina "blindaje ASCII". Por ejemplo, el componente ViewState de ASP.NET usa codificación base64 para transmitir texto de forma segura a través de HTTP POST, a fin de evitar la colisión de delimitadores .

Estándares de codificación

La siguiente tabla compara las formas más utilizadas de codificaciones de binario a texto. La eficiencia indicada es la relación entre el número de bits en la entrada y el número de bits en la salida codificada.

Codificación	Tipo de datos	Eficiencia	Implementaciones de lenguajes de programación	Comentarios
ASCII [a]	Arbitrario	87,5%	La mayoría de los idiomas	Se trata de un desplazamiento de bits de datos binarios de 8 bits a datos de 7 bits, de modo que 7 bytes de datos binarios ocupan 8 bytes de datos de 7 bits, que representarán ASCII, incluidos todos los códigos de control posibles. Este esquema rara vez se utiliza en la práctica.
Ascii85	Arbitrario	80%	awk , C , C (2) , C # , F # , Go , Java Perl , Python , Python (2)	Existen varias variantes de esta codificación, Base85 , btoa , etcétera.
Base32	Arbitrario	62,5%	ANSI C , Go , Java , Python
Base36	Entero	~ 64%	bash , C , C ++ , C # , Java , Perl , PHP , Python , Visual Basic , Swift , muchos otros	Utiliza los números arábigos del 0 al 9 y las letras latinas de la A a la Z (el alfabeto latino básico de ISO ). Usado comúnmente por sistemas de redirección de URL como TinyURL o SnipURL / Snipr como identificadores alfanuméricos compactos.
Base45	Arbitrario	~ 67%	Ir	Borrador de la especificación IETF [1]
Base58	Entero	~ 73%	C ++ , Python	Similar a Base64, pero modificado para evitar caracteres no alfanuméricos (+ y /) y letras que pueden parecer ambiguas cuando se imprimen (0 - cero, I - i mayúscula, O - oy l mayúscula - L minúscula). Base58 se utiliza para representar direcciones bitcoin . [2] Algunos sistemas de mensajería y redes sociales rompen líneas en cadenas no alfanuméricas. Esto se evita al no usar caracteres reservados URI como +. Para segwit , fue reemplazado por Bech32, ver más abajo. Base58 en el código fuente original de bitcoin
Base62				Similar a Base64, pero contiene solo caracteres alfanuméricos.
Base64	Arbitrario	75%	awk , C , C (2) , Go , Python , muchos otros
Base85 ( RFC 1924 )	Arbitrario	80%	C , Python Python (2)	Versión revisada de Ascii85 .
Bech32	Arbitrario	62,5% + al menos 8 caracteres (etiqueta, separador, ECC de 6 caracteres )	C, C ++, JavaScript, Go, Python, Haskell, Ruby, Rust	Especificación. [3] Utilizado en Bitcoin y Lightning Network . [4] La porción de datos está codificada como Base32 con la posibilidad de verificar y corregir hasta 6 caracteres mal escritos usando el código BCH de 6 caracteres al final, que también verifica / corrige el HRP (Parte legible por humanos). La variante Bech32m tiene un cambio sutil que la hace más resistente a los cambios de longitud. [5]
BinHex	Arbitrario	75%	Perl , C , C (2)	MacOS clásico
Decimal	Entero	~ 42%	La mayoría de los idiomas	Por lo general, la representación predeterminada para la entrada / salida de / a humanos.
Hexadecimal (Base16)	Arbitrario	50%	La mayoría de los idiomas	Existe en variantes en mayúsculas y minúsculas
Intel HEX	Arbitrario	≲50%	Biblioteca C , C ++	Normalmente se utiliza para programar chips de memoria EPROM , NOR-Flash
MÍMICA	Arbitrario	Consulte Quoted-printable y Base64	Consulte Quoted-printable y Base64	Contenedor de codificación para formateo similar al correo electrónico
Formato de archivo de la tecnología MOS	Arbitrario			Normalmente se utiliza para programar chips de memoria EPROM , NOR-Flash .
Codificación porcentual	Texto ( URI ), arbitrario ( RFC1738 )	~ 40% [b] (33-70% [c] )	C , Python , probablemente muchos otros
Cotizado-imprimible	Texto	~ 33-100% [d]	Probablemente muchos	Conserva los saltos de línea; corta líneas a 76 caracteres
Registro S (Motorola hex)	Arbitrario	49,6%	Biblioteca C , C ++	Normalmente se utiliza para programar chips de memoria EPROM , NOR-Flash . 49,6% asume 255 bytes binarios por registro.
Tektronix hex	Arbitrario			Normalmente se utiliza para programar chips de memoria EPROM , NOR-Flash .
Uuencoding	Arbitrario	~ 60% ( hasta 70% )	Perl , C , Java , Python , probablemente muchos otros	En gran parte reemplazado por MIME y yEnc
Xxencoding	Arbitrario	~ 75% (similar a Uuencoding)	C	Propuesto (y utilizado ocasionalmente) como reemplazo de Uuencoding para evitar problemas de traducción de juegos de caracteres entre los sistemas ASCII y EBCDIC que podrían corromper los datos Uuencoded
yEnc [a]	Arbitrario, en su mayoría sin texto	~ 98%	C	Incluye una suma de comprobación CRC
RFC  1751 ( S / CLAVE )	Arbitrario	33%	C, [6] Python , ...	"Una convención para claves de 128 bits legibles por humanos ". Una serie de palabras pequeñas en inglés es más fácil de leer, recordar y escribir para los humanos que el decimal u otros sistemas de codificación de binario a texto. [7] Cada número de 64 bits se asigna a seis palabras cortas, de uno a cuatro caracteres cada una, de un diccionario público de 2048 palabras. [6]

Los códigos de 95 isprint 32 a 126 se conocen como caracteres imprimibles ASCII .

Algunos formatos más antiguos y poco comunes en la actualidad incluyen la codificación BOO, BTOA y USR.

La mayoría de estas codificaciones generan texto que contiene solo un subconjunto de todos los caracteres imprimibles ASCII : por ejemplo, la codificación base64 genera texto que solo contiene letras mayúsculas y minúsculas, (A – Z, a – z), números (0–9) y los símbolos "+", "/" y "=".

Algunas de estas codificaciones (codificación imprimible entre comillas y codificación porcentual) se basan en un conjunto de caracteres permitidos y un solo carácter de escape . Los caracteres permitidos no se modifican, mientras que todos los demás caracteres se convierten en una cadena que comienza con el carácter de escape. Este tipo de conversión permite que el texto resultante sea casi legible, ya que las letras y los dígitos forman parte de los caracteres permitidos y, por lo tanto, se dejan como están en el texto codificado. Estas codificaciones producen la salida ASCII simple más corta para la entrada que es principalmente ASCII imprimible.

Algunas otras codificaciones ( base64 , uuencoding ) se basan en mapear todas las posibles secuencias de seis bits en diferentes caracteres imprimibles. Dado que hay más de 2 ⁶  = 64 caracteres imprimibles, esto es posible. Una secuencia dada de bytes se traduce al verla como un flujo de bits, dividiendo este flujo en trozos de seis bits y generando la secuencia de caracteres correspondientes. Las diferentes codificaciones difieren en el mapeo entre secuencias de bits y caracteres y en cómo se formatea el texto resultante.

Algunas codificaciones (la versión original de BinHex y la codificación recomendada para CipherSaber ) utilizan cuatro bits en lugar de seis, mapeando todas las secuencias posibles de 4 bits en los 16 dígitos hexadecimales estándar . El uso de 4 bits por carácter codificado conduce a una salida 50% más larga que base64, pero simplifica la codificación y decodificación; expandir cada byte en la fuente de forma independiente a dos bytes codificados es más simple que expandir 3 bytes de origen de base64 a 4 bytes codificados.

De los primeros 192 códigos de PETSCII , 164 tienen representaciones visibles cuando se citan: 5 (blanco), 17–20 y 28–31 (colores y controles del cursor), 32–90 (equivalente en ascii), 91–127 (gráficos), 129 (naranja), 133–140 (teclas de función), 144–159 (colores y controles del cursor) y 160–192 (gráficos). ^[8] En teoría, esto permite codificaciones, como base128, entre máquinas que hablan PETSCII.

Notas

1. No es estrictamente una codificación de texto ya que la salida incluye caracteres no imprimibles
2. Para datos arbitrarios; codifica los 189 caracteres no reservados con tres bytes y los 66 caracteres restantes con uno.
3. Para texto; solo codificando cada uno de los 18 caracteres reservados.
4. Un byte almacenado como = XX. Codificación de todos menos los 94 caracteres que no lo necesitan (incluido el espacio y la tabulación).

Referencias

1. https://datatracker.ietf.org/doc/draft-faltstrom-base45/
2. "Documentación del protocolo" . Wiki de Bitcoin . Consultado el 10 de julio de 2021 .
3. https://github.com/bitcoin/bips/blob/master/bip-0173.mediawiki#bech32
4. Rusty Russell ; et al. (15/10/2020). " Codificación de pago en el repositorio de Lightning RFC" .
5. "Formato Bech32m para direcciones de testigos v1 +" .
6. RFC 1760 "El sistema de contraseña de un solo uso S / KEY". 
7. RFC 1751 "Una convención para claves de 128 bits legibles por humanos" 
8. http://sta.c64.org/cbm64pet.html y col.