[转]数学之美-【算法】 - 用来流方式计算UV的基数算法

http://my.oschina.net/infiniteSpace/blog/315457

阅读目的：了解如何计算在特定维度之下，固定时间，空间，条件下的计算方式。

阅读背景:1:uv是什么？

2：特定唯独下的UV

3：大数据体系流方式处理下的UV计算

CSDN：是什么原因促使您对算法感兴趣的？

张洋：可能是源自我对数学的兴趣吧，我一直很喜欢数理性的东西。正式接触算法是大二的时候，当时买了一本算法导论，才真正开始了解渐近复杂度、算法分析、动态规划、贪心算法、NP问题等一系列算法领域最基本的东西。看的时候就觉得很神奇，感觉书中的每个算法都闪耀着人类的智慧，阅读和学习这些东西给我带来一种难以用语言表达的满足感和快感。在后来的学习和工作中我不断从实际应用中了解和领会算法是如何解决各个领域的实际问题，推动人类文明的发展，这更加深了我对算法的崇敬。

CSDN：一淘数据部为什么会开发这个基数估计算法？

张洋：一淘数据部主要在电子商务领域做一些数据的分析挖掘，并将这些技术与业务紧密结合形成一些数据产品和服务，例如数据分析、推荐系统等我们都有做。这些数据产品既对外服务，也会对公司或集团内部的运作提供支持。

在电子商务的数据分析领域有一些很关键的指标（例如uniquevisitor，简称UV，指在一定的时间空间维度约束下独立访客的数量）的计算是很常见的任务。一般来说我们首先会通过某种手段给每一个独立访客做一个标记（例如通过cookie），然后会在所有访问日志中记录下访客的标记，这样一来，UV的计算就等价为在一个可重复的用户标记集合中计算不重复元素的个数，也就是数学上的基数。

基数的计算有两个难点：

一是不利于实时流计算的实现。例如我们的一些产品中经常会提供实时UV，也就是从某个时间点开始（例如今天零点）到目前的独立访客数。为了做到这点，需在内存中为每一个UV数值维护一个查找性能高的数据结构（例如B树），这样当实时流中新来一个访问时，能快速查找这个访客是否已经来过，由此确定UV值是增加1还是不变。如果我们要为100万家店铺同时提供这种服务，就要在内存中维护100万个B树，而如果还要分不同来源维度计算UV的话，这个数量还会迅速膨胀。这对我们的服务器计算资源和内存资源都是一个很大的挑战。

第二点就是传统的基数计算方法无法有效合并。例如，前一小时和这一小时的UV虽然分别计算出来了，但是要看这两个小时的总UV依然要重新进行一遍复杂的计算。使用bitmap数据结构的方案虽然可以快速合并，但是空间复杂度太高，因为时间段的任意组合数量与时间段数量呈幂级关系，所以不论是B树还是简单的bitmap在大数据面前都不是一个有效的方案。

基于以上背景，一淘数据部的技术专家王晓哲（花名清无）研究了基数估计的相关算法及Clearspring的一个java实现（stream-lib），并率先在我们的全息效果平台（代号月光宝盒）的项目中引入了基数估计算法，目前已成功实现利用少量内存对大量UV进行计算的技术难题，并承担了双十一和双十二大促中天猫和淘宝所有会场坑位的效果实时计算任务。

为了方便更多的非Java项目使用此类算法，王晓哲和我根据相关论文并参考stream-lib给出了一个C版本的实现ccard-lib，接着一淘数据部的工程师张维（花名民瞻）又实现了PHP的扩展。目前这个C的实现已经在一淘数据部多个产品中开始使用，并且也已经通过github进行了开源。

CSDN：能不能向读者详细介绍一下一淘数据部的基数估计算法？

张洋：我们使用的算法主要是AdaptiveCounting算法，这个算法出现在“Fastandaccuratetrafficmatrixmeasurementusingadaptivecardinalitycounting”这篇论文里，但是我同时在ccard-lib里也实现了LinearCounting、LogLogCounting和HyperLogLogCounting等常见的基数估计算法。

这些算法是概率算法，就是通过牺牲一定的准确性（但是精度可控，并可以通过数学分析给出控制精度的方法），来大幅节省计算的资源使用。例如我们仅仅使用8k的内存就可以对一个数亿量级的UV进行估计，而误差不超过2%，这比使用B树或原始bitmap要大幅节省内存。同时基数估计算法用到了经过哈希变换的bitmap空间，在大幅节省内存的同时依然可以实现高效合并，这就同时解决了上面提到的两个难点。

使用2^16（64K）位时，估算结果如下：

LinearCountingwithMurmurhash:

actual:50000,estimated:50062,error:0.12%

actual:100000,estimated:99924,error:0.08%

actual:150000,estimated:149865,error:0.09%

actual:200000,estimated:199916,error:0.04%

actual:250000,estimated:250123,error:0.05%

actual:300000,estimated:299942,error:0.02%

actual:350000,estimated:349801,error:0.06%

actual:400000,estimated:400101,error:0.03%

actual:450000,estimated:449955,error:0.01%

actual:500000,estimated:500065,error:0.01%

LinearCountingwithLookup3hash:

actual:50000,estimated:49835,error:0.33%

actual:100000,estimated:99461,error:0.54%

actual:150000,estimated:149006,error:0.66%

actual:200000,estimated:198501,error:0.75%

actual:250000,estimated:248365,error:0.65%

actual:300000,estimated:298065,error:0.65%

actual:350000,estimated:347504,error:0.71%

actual:400000,estimated:397292,error:0.68%

actual:450000,estimated:446700,error:0.73%

actual:500000,estimated:495944,error:0.81%

HyperloglogCountingwithMurmurhash:

actual:50000,estimated:50015,error:0.03%

actual:100000,estimated:100048,error:0.05%

actual:150000,estimated:149709,error:0.19%

actual:200000,estimated:201595,error:0.80%

actual:250000,estimated:250168,error:0.07%

actual:300000,estimated:299864,error:0.05%

actual:350000,estimated:348571,error:0.41%

actual:400000,estimated:398583,error:0.35%

actual:450000,estimated:448632,error:0.30%

actual:500000,estimated:498330,error:0.33%

HyperloglogCountingwithLookup3hash:

actual:50000,estimated:49628,error:0.74%

actual:100000,estimated:99357,error:0.64%

actual:150000,estimated:148880,error:0.75%

actual:200000,estimated:200475,error:0.24%

actual:250000,estimated:249362,error:0.26%

actual:300000,estimated:299119,error:0.29%

actual:350000,estimated:349225,error:0.22%

actual:400000,estimated:398805,error:0.30%

actual:450000,estimated:448373,error:0.36%

actual:500000,estimated:498183,error:0.36%

AdaptiveCountingwithMurmurhash:

actual:50000,estimated:50015,error:0.03%

actual:100000,estimated:100048,error:0.05%

actual:150000,estimated:149709,error:0.19%

actual:200000,estimated:201059,error:0.53%

actual:250000,estimated:249991,error:0.00%

actual:300000,estimated:300067,error:0.02%

actual:350000,estimated:349610,error:0.11%

actual:400000,estimated:399875,error:0.03%

actual:450000,estimated:450348,error:0.08%

actual:500000,estimated:500977,error:0.20%

AdaptiveCountingwithLookup3hash:

actual:50000,estimated:49628,error:0.74%

actual:100000,estimated:99357,error:0.64%

actual:150000,estimated:148880,error:0.75%

actual:200000,estimated:199895,error:0.05%

actual:250000,estimated:249563,error:0.17%

actual:300000,estimated:299047,error:0.32%

actual:350000,estimated:348665,error:0.38%

actual:400000,estimated:399266,error:0.18%

actual:450000,estimated:450196,error:0.04%

actual:500000,estimated:499516,error:0.10%

LoglogCountingwithMurmurhash:

actual:50000,estimated:59857,error:19.71%

actual:100000,estimated:103108,error:3.11%

actual:150000,estimated:150917,error:0.61%

actual:200000,estimated:201059,error:0.53%

actual:250000,estimated:249991,error:0.00%

actual:300000,estimated:300067,error:0.02%

actual:350000,estimated:349610,error:0.11%

actual:400000,estimated:399875,error:0.03%

actual:450000,estimated:450348,error:0.08%

actual:500000,estimated:500977,error:0.20%

LoglogCountingwithLookup3hash:

actual:50000,estimated:59870,error:19.74%

actual:100000,estimated:103044,error:3.04%

actual:150000,estimated:150435,error:0.29%

actual:200000,estimated:199895,error:0.05%

actual:250000,estimated:249563,error:0.17%

actual:300000,estimated:299047,error:0.32%

actual:350000,estimated:348665,error:0.38%

actual:400000,estimated:399266,error:0.18%

actual:450000,estimated:450196,error:0.04%

actual:500000,estimated:499516,error:0.10%

限于篇幅，我在这里不能具体描述这些算法的细节，之前我在博客上发表了一篇翻译的文章，不过内容也是概括性描述。但是我已经在准备写博文详细介绍基数估计算法了，那里面会包括算法的数理细节以及对论文的一些解读，欢迎有兴趣的朋友关注我的博客。

CSDN：看到您微博上自称“代码洁癖重度患者”，这是一个很有趣的称呼，那么是否可以理解为您对代码的规范性很在意，您在平时在编码过程中如何保持代码的规范？

张洋：这么说其实是有点自嘲的意思吧。对代码格式我确实是很在意的，如果看到代码不规范、不整齐甚至多一个空行我都会觉得非常不舒服，骨子里对代码格式有一种完美主义倾向。

不过这个事情要分两面看，如果是我自己开发的比较专的东西，如算法库，可以坚持这种完美主义，但需要多人合作的场合实际上是不太合适的。实事求是的说，业务代码总是不可能一直很漂亮，需要在业务进度和代码质量中间做一个权衡。在保持代码规范方面，我始终认为不能完全靠程序员的自觉和代码规范的宣讲，通过工具（例如lint）和流程去保证会更有效一些。

CSDN：还有哪些困难是需要在未来工作中克服的？

张洋：需要克服的困难主要来自两方面吧。

一方面是算法本身改进的困难，这世界不存在完美无暇的算法，例如上面的基数估计算法，虽然大大降低了内存使用，但是如果维度爆炸的话，内存使用仍然会很夸张，而且合并bitmap也不是没有代价，有时需要进行内存和磁盘bitmap的合并，当bitmap量过大时磁盘IO会称为瓶颈，因此如何结合具体场景来优化和改进算法就成为一个难点。一个方法是查阅相关论文，了解和借鉴目前全球各大研究机构和公司对相关算法的最新研究成果。另一个方法就是自己进行改进，这块需要对算法本身极其相关的数学分析有非常深入掌握，因此对相关工程师的理论水平要求较高。

另一方面就是算法和业务产品的结合方案。算法毕竟是较为形式化的东西，要具体应用到产品中还有很长一段路要走。寻求算法与产品的最佳契合点和结合方案也是工作中的重点和难点之一。

2012已经过去，我们度过了世界末日，迎来世界新篇章。在2013年，我们也会进入互联网发展的新时代，各种数据充斥在网络中，大数据成为各个互联网公司都要面对的问题之一。如何消耗最小的资源来获得尽可能多的有用信息，这应该是每个互联网公司都要考虑的问题。通过最近关于算法的两篇文章，想必各位读者都能心中有数。当然，每种算法都有各自的优缺点，我们还是要根据在平时工作中的实际使用情况来对算法进行选择，不能一概而论。（王旭东/作者包研/审校）