Redis-HyperLogLog

基于HyperLogLog算法，使用极小的空间完成巨量运算

Redis 中HyperLogLog 基本使用

常用命令

PFADD key element [element …]: 将任意数量的元素添加到指定的 HyperLogLog 里面。
PFCOUNT key [key …]: 计算hyperloglog的独立总数
prmerge destkey sourcekey [sourcekey…]: 合并多个hyperloglog

python 操作Redis HyperLogLog

from MyRedis.RedisTool import RedisToolclass RedisHLL:def __init__(self):self._conn = RedisTool.redis_connection("127.0.0.1", 8100, "redis")def hll_test(self):self._conn.pfadd('test', "junebao", "python", "redis", "hyperloglog", "java")count = self._conn.pfcount("test")print(count)if __name__ == '__main__':RedisHLL().hll_test()  # 5

HyperLogLog 算法原理

特点：

能使用极少的内存来统计巨量的数据，在Redis中的HyperLogLog只需要12k内存就能统计 2642^{64}264
计数存在一定的误差，但误差率整体较低，标准误差为 0.81%
可以设置辅助计算因子减小误差

LogLog 简介

HyperLogLog 其实是 LogLog 算法的改进版，Loglog源于著名的伯努利实验。

这个实验是这样的：随机抛一枚硬币，那么正面朝上和反面朝上的概率都应该是 50% ,那么如果一直重复抛硬币，直到出现正面朝上，就记作1次伯努利实验。

对于单个一次伯努利实验，抛硬币的次数是不确定的，有可能第一次就正面朝上，那这1次就被记为1次伯努利实验，也有可能抛了10次才出现正面朝上，那这10次才会被记作1次伯努利实验。

假设做了n次伯努利实验，第一次实验抛了 k1k_1k1 次硬币，第二次抛了 k2k_2k2 次硬币，那么第 n 次实验就抛了 knk_nkn 次硬币。在 [k1−kn][k_1 -k_n][k1−kn] 之间，就必然存在一个最大值 kmaxk_{max}kmax , kmaxk_{max}kmax的意义就是在这一组伯努利实验中，出现正面朝上需要的最多的抛掷次数。结合极大似然估计方法得到伯努利实验的次数 nnn 和这个最大值 kmaxk_{max}kmax 存在关系: n=2kmaxn = 2^{k_{max}}n=2kmax

例如：实验0和1表示硬币的正反，一轮做五次实验，某轮伯努利实验的结果为

# 第一次
001
# 第二次
01
# 第三次
1
# 第四次
0001
# 第五次
001

那么这一轮伯努利实验的 kmax=4k_{max}=4kmax=4 ,按照上面的公式应该得到 5=245=2^45=24,这个误差显然太过巨大，我们可以增加某一轮实验的次数，用python模拟一下

import randomclass BernoulliExp:def __init__(self, freq: int):self.freq = freqself.option = [0, 1]def run(self):k_max = 0for i in range(self.freq):num = 0while True:num += 1result = random.choice(self.option)if result == 1:break# print(f"第{i}次伯努利实验，抛了{num}次硬币")if num > k_max:k_max = numreturn k_maxif __name__ == '__main__':be = BernoulliExp(5000)k_max = be.run()print(f"k_max={k_max}")

通过测试，当每一轮进行5000次伯努利实验时，进行五轮，kmaxk_{max}kmax分别为 12， 12， 14， 11， 15，误差仍旧很大，所以我们可以进行多轮伯努利实验，求kmaxk_{max}kmax的平均值，用python模拟一下

import randomclass BernoulliExp:def __init__(self, freq: int, rounds: int, num: int):"""Args:freq: int,每轮进行多少次实验rounds: k_max 对多少轮实验求平均num: 进行多少次这样的实验（求误差）"""self.freq = freqself.option = [0, 1]self.rounds = roundsself.number_of_trials = numdef _run_one_round(self):k_max = 0for i in range(self.freq):num = 0while True:num += 1result = random.choice(self.option)if result == 1:break# print(f"第{i}次伯努利实验，抛了{num}次硬币")if num > k_max:k_max = numreturn k_maxdef get_k_max(self):sum_k_max = 0for i in range(self.rounds):sum_k_max += self._run_one_round()return sum_k_max / self.roundsdef deviation(self):dev = 0for i in range(self.number_of_trials):k_max = self.get_k_max()print(f"第{i}次：k_max = {k_max}")dev += (2 ** k_max) - self.freqreturn dev/self.number_of_trialsif __name__ == '__main__':be = BernoulliExp(6, 16384, 5)dev = be.deviation()print(f"误差：{dev}")

第0次：k_max = 4.03546142578125
第1次：k_max = 4.034423828125
第2次：k_max = 4.05010986328125
第3次：k_max = 4.02423095703125
第4次：k_max = 4.045654296875
误差：10.427087015403654

这时误差依旧非常大，但我们发现 kmaxk_{max}kmax却浮动在4.038上下，这就说明nnn和 kmaxk_{max}kmax 之间的关系确实存在，但公式前面还应该有一个常数项，原公式应该是 n=α⋅2kmaxn = \alpha · 2^{k_{max}}n=α⋅2kmax

通过简单计算，把 α\alphaα设为 0.36520.36520.3652:

第0次：k_max = 4.055908203125
第1次：k_max = 4.0262451171875
第2次：k_max = 4.03045654296875
第3次：k_max = 4.04534912109375
第4次：k_max = 4.048095703125
误差：0.01269833279264585

这里0.3652是用n=6n=6n=6计算出来的，但当n取其他值时，这个因子也能基本将相对误差控制在0.1以内。

上面的公式，便是LogLog的估算公式

DVLL=constant∗m∗2R‾DV_{LL} = constant * m * 2 ^ {\overline{R}}DVLL=constant∗m∗2R

其中 DVLLDV_{LL}DVLL就是n，constant就是调和因子， m是实验轮数，R‾\overline{R}R 是 kmaxk_{max}kmax的平均值。

而 HyperLogLog和LogLog的区别就是使用调和平均数计算kmaxk_{max}kmax，这样如果计算的数值相差较大，调和平均数可以较好的反应平均水平，调和平均数的计算方式为：

Hn=n∑i=1n1xiH_n = \frac{n}{\sum_{i=1} ^ n \frac{1}{x_i}}Hn=∑i=1nxi1n

所以 HyperLogLog 的公式就可以写为

DVHLL=const∗m∗m∑j=1m12RjDV_{HLL} = const * m * \frac{m}{\sum_{j=1} ^ m \frac{1}{2^{R_j}}}DVHLL=const∗m∗∑j=1m2Rj1m

在Redis中的实现方法

如果我们我们可以通过kmaxk_{max}kmax来估计nnn,那同样的，对于一个比特串，我们就可以按照这个原理估算出里面1的个数，例如在

统计一个页面每日的点击量（同一用户不重复计算）

要实现这个功能，最简单的办法就是维持一个set，每当有用新户访问页面，就把ID加入集合（重复访问的用户也不会重复加），点击量就是集合的长度，但这样做最大的问题就是会浪费很多空间，如果一个用户ID占8字节，加入有一千万用户，那就得消耗几十G的空间，但Redis只用了12k就完成了相同的功能。

首先，他把自己的12k划分为 16834 个 6bit 大小的 “桶”，这样每个桶所能表示的最大数字为 1111(2)=63{1111}_{(2)} = 631111(2)=63, 在存入时，把用户ID作为Value传入，这个value会被转换为一个64bit的比特串，前14位用来选择这个比特串从右往左看，第一次出现1的下标要储存的桶号。

例如一个value经过Hash转换后的比特串为

[0000 0000 0000 1100 01]01 0010 1010 1011 0110 1010 0111 0101 0110 1110 0110 0100

这个比特串前14位是 110001(2){110001}_{(2)}110001(2),转换成10进制也就是49，而它从右往左看，第3位是1，所以3会被放到49桶中（首先要看49桶中原来的值是不是小于3，如果比3小，就用3替换原来的，否则不变，【因为桶中存的是kmaxk_{max}kmax】）, kmaxk_{max}kmax在这里最大也只能是64，用6bit肯定够用。

这样不管有多少用户访问网站，存储的只有这12k的数据，访问量越多，kmaxk_{max}kmax 越大，然后根据HyperLogLog公式，就可以较精确的估计出访问量。（一个桶可以看作一轮伯努利实验）

修正因子

constant 并不是一个固定的值，他会根据实际情况而被分支设置，如： P=log⁡2mP = \log_2 mP=log2m

m 是分桶数

switch (p) {case 4:constant = 0.673 * m * m;case 5:constant = 0.697 * m * m;case 6:constant = 0.709 * m * m;default:constant = (0.7213 / (1 + 1.079 / m)) * m * m;
}

参考

https://www.cnblogs.com/linguanh/p/10460421.html#commentform

https://chenxiao.blog.csdn.net/article/details/104195908

HyperLogLog原理与在Redis中的使用相关推荐

HyperLogLog 算法原理及其在 Redis 中的实现
一.问题引入大家在项目上可能会遇到过下面这些相同或者类似的需求: 统计一个APP的日活量(DAU)和月活量(MAU).日活(月活)是指在一个统计日(统计月)之内,登录或者使用产品的不同用户数量,它是 ...
【承】Redis 原理篇——关于 Redis 中的事务
前言关于 Redis 的"起承转合",我前面已经用五个篇章的长度作了一个 Redis 基础篇--"起"篇的详细阐述,相信大家无论之前有没有接触过 Redis, ...
HyperLogLog 算法的原理讲解以及 Redis 是如何应用它的
作者:林冠宏 / 指尖下的幽灵掘金:https://juejin.im/user/587f0dfe128fe100570ce2d8 博客:http://www.cnblogs.com/linguan ...
Redis中布隆过滤器的使用及原理
<玩转Redis>系列文章主要讲述Redis的基础及中高级应用.本文是<玩转Redis>系列第[11]篇,最新系列文章请前往公众号"zxiaofan"查看, ...
redis HyperLogLog原理
假设现在有一个这样的需求,我们想要实时统计有多少用户访问我们的网站.一个简单的解决方案是用一个set集合来存储用户ID,然后计算任意时刻集合中不同ID的个数即为网站实时访问量.这是一种简单可行的做法, ...
redis中HLL的使用hyperloglog
redis中HLL的使用这里给出官方文档(中文翻译版)连接,里面关于时间复杂度.返回值.命令方式.使用案例等等都有详细说明本文对每个命令都简介总结并个人案例展示 pfadd 添加影响基数估值则返 ...
Redis中的Bitmaps、HyperLogLog、Geospatial
目录 Bitmaps 如何选择集合类型判断用户登录状态小结 HyperLogLog 什么是基数应用场景命令 Geospatial 如何实现定位 Geohash技术 geohash的计算 geo ...
Redis 中 bitmap 的原理和使用
原理先声明一下:Redis 有5种数据类型,而 BitMap 在 Redis 中并不是一个新的数据类型,其底层是 Redis 实现. 通常情况下,我们在 redis 中存储一个字符串,如:" ...
Redis中的zset 存储结构（实现）原理
同时满足以下条件时使用ziplist 编码: 元素数量小于128 个所有member 的长度都小于64 字节在ziplist 的内部,按照score 排序递增来存储.插入的时候要移动之后的数据. ...

HyperLogLog原理与在Redis中的使用