Pornind de la ideea de $Bloom Filter$, vom construi o tabela de dispersie (hash) in care vom introduce toate cele $276997$ numere din fisierul de intrare, urmand ca pentru restul sa verificam daca functia de hash corespunzatoare returneaza $true$ (posibil candidat) sau $false$ (cu siguranta respins). Totodata avem nevoie de o functie (sau mai multe) de hash care sa asigure o rata de respingere de aproximativ $30-40%$. Dat insa faptul ca toate cele $276997$ valori sunt cunoscute (chiar daca nu sunt date explicit in enunt, ele pot fi generate foarte usor prin backtracking), putem incerca o multime mai mare de functii de hash, iar apoi vom alege acele functii care au rata de respingere cea mai buna.
Aceasta tehnica are aplicatii in baze de date, filtrarea rapida a rezultatelor, url blacklisting, etc.

*Pro Tip*: pentru cei care folosesc $STL$ e important de stiut ca atat containerul $set$ cat si $map$ sunt implementati prin arbori rosu-negru si complexitatea per operatie tinde la log(size). Tabelele de hash sunt implementate in librariile $unordered_set$, respectiv $unordered_map$. Totusi, in cazul de fata un $bitset$ ar putea fi o solutie mult mai buna dat fiind ca ne este suficient sa setam un bit per intrare, astfel dimensiunea tabelei crescand considerabil.
P.S. E greu sa gasesti un hash bun!

*Pro Tip:* Pentru cei care folosesc $STL$ e important de stiut ca atat containerul $set$ cat si $map$ sunt implementati prin arbori rosu-negru si complexitatea per operatie tinde la log(size). Tabelele de hash sunt implementate in librariile $unordered_set$, respectiv $unordered_map$. Totusi, in cazul de fata un $bitset$ ar putea fi o solutie mult mai buna dat fiind ca ne este suficient sa setam un bit per intrare, astfel dimensiunea tabelei crescand considerabil.
 
*P.S.* E greu sa gasesti un hash bun!