3

什么是count-min 草图?在什么情况下会有用?

4

1 回答 1

6

英里高概述

直观地说,您可以将 count-min 草图视为一种节省空间的数据结构,用于估算您在数据流中看到给定项目的次数。从客户端的角度来看,count-min 草图支持两种操作:

  • increment(x),表示“我又见过 x 一次”,以及
  • 估计(x),它说“请给我一个估计我见过x的次数。”

如果你只看这个界面,你可能会想“这不是我可以用哈希表或 BST 做的吗?” 你是对的——你可以创建一个 BST,其键是元素,其值是每个项目被看到的次数,或者对哈希表做同样的事情。如果你有足够的内存来跟踪你遇到的所有键,这不是不合理的。但是想象一下,你正在开发一个亚马逊服务器,并且你正在跟踪每个产品的浏览量。突然之间,即使写下所有访问过的页面的名称也将花费大量时间的记忆。或者想象一下你是谷歌,你想找到每天访问量最大的页面。仅仅为了写下所有搜索查询而获得足够的 RAM 将非常昂贵,并且分页到磁盘会太慢。

让 count-min 草图大放异彩的是,用户可以调整 count-min 草图所需的内存量。如果你给它更多的内存,它会更好地估计它看到的元素的真实频率。如果你给它更少的内存,它会产生较低质量的估计,但可以量化保证这些估计接近真实值的可能性。这意味着,如果你只有 1MB 专用于此目的,你可以粗略估计频率,而如果你有 128MB,你可以得到更好的估计。

由 count-min 草图给出的估计值永远不会低估元素的真实频率。例如,如果一个 count-min 草图说一个项目出现了 50 次,那么该元素可能出现了 50 次、49 次或 48 次等,但它不可能出现 100 次次。这使得 count-min 草图对于查找高频项目很有用:低频项目的频率可能被高估了一点,但高频项目总是会显得很受欢迎。

内部细节

count-min 草图是一个相当简单的数据结构来实现。基本思路如下。想象一下,我们有一个计数器数组,我们想使用该数组来跟踪我们看到的项目的频率。我们将使用哈希函数将每个项目分配给某个计数器(计算其哈希码并根据表大小对其进行修改)。每当我们增加该项目时,我们只需转到适当的计数器,然后将其增加。为了提供一个估计值,我们只需去那个计数器并返回存储在那里的值。

考虑 count-min 草图如何工作的一种方法是将每个计数器想象成一个“桶”,其中包含某种类型的所有项目。然后,我们通过查看存储桶中有多少项目来估计某件事的频率,无论这些项目是什么,如下所示:

分配到桶中的项目集合

正如你所看到的,我们对频繁项得到了相当好的估计,而不频繁项的频率可能被严重高估了。这也给出了一个很好的直觉,为什么 count-min 草图永远不会低估元素的频率。在查看存储桶时,您至少会计算项目本身。

如果我们对我们使用的散列函数做出一些合理的假设,我们可以正式证明,平均而言,对一个项目的频率给出的估计最多是它的实际频率,加上项目的总数除以总数的计数器。这很直观。如果你有很多很多的柜台,在某些时候每个项目都有自己的柜台,估计会非常准确。在另一个极端,如果您几乎没有计数器,那么您会期望所有项目都被塞进少数几个桶中,并且总数将开始偏离。

虽然这种方法保证了预期返回的估计值是好的,但这并不意味着你很有可能得到一个好的估计值。考虑这一点的一种方法是考虑“对预期”进行良好估计意味着什么。直观地说,这意味着如果你要构建一堆这样的数据结构,那么估计的平均值可能会相当不错。然而,任何一个单独的估计都不一定会那么好。

count-min 草图将这个想法牢记在心,而不是只有一个计数器数组,而是维护几个独立的计数器数组,每个计数器都有不同的哈希函数将项目放入桶中。这提供了一定程度的冗余,并且意味着您不太可能因物品以不良方式碰撞而“不走运”。

为了得到它的总体估计,count-min 草图做了一些比仅仅平均估计值更聪明的事情。请记住,count-min 草图永远不能低估被存储项目的实际频率,而只能高估它们。这意味着,如果您返回一组不同的估计值,则估计值越大,情况就越差。为什么?因为估计值越大,我们关心的项目以外的项目就越多。(回想一下桶——如果桶中除了我们关心的项目之外还有一堆其他项目,我们不想使用该桶的大小作为估计值)。

这就是“count-min sketch”的“min”部分的用武之地。当返回一个估计值时,count-min sketch 返回所有生成的估计值中的最小估计值。这是其中噪声最小的估计值。直观地说,这很可能会给你一个很好的估计——它失败的唯一方法是如果每一个估计都是坏的,这是不太可能的。

这意味着整个数据结构以及操作它的逻辑相当简单:

代表多行计数器的 2D 网格的图像,以及总结结构如何工作的伪代码。

了解更多

还有更多关于 count-min 草图的探索。例如,您如何正式分析 count-min 草图以确定每行需要多少个计数器或需要多少个独立结构?您可以使用哪些类型的哈希函数?要了解更多信息,请查看这些讲座幻灯片,其中详细介绍了该主题。

如果你想同时支持增量和减量会发生什么?您如何使用 count-min 草图来查找数据流中最常见的元素?关于该主题的原始论文是一个很好的资源。

你能得到与没有随机性的 count-min 草图相同的结果吗?是的,使用一些聪明的数论。

于 2020-10-17T00:14:59.730 回答