介绍

基数估计算法(Cardinality Estimation Algorithm)是基于概率统计理论的估算给定数据集中不重复元素基数的算法。
它是一种基于概率统计理论所设计的概率算法，克服了精确基数计数算法的诸多弊端（如内存需求过大或难以合并等），同时可以通过一定手段将误差控制在所要求的范围内。

什么是基数？

基数指的是一个集合（这里的集合可以包含重复元素，不是集合论中定义的集合）中不同元素的个数，例如集合{1， 2， 3， 3， 4， 5， 5， 6, 6， 6}有9个元素,但是其中不重复的元素只有 1、 2、 3、 4、 5、 6，所以它的基数是6。如果一个集合是有限集,则其基数是一个自然数。

应用场景

一个网站中有10个链接,我们需要统计这10个链接分别被多少个独立访客点击过,即每个链接的UV数量。

基数统计算法

数据的收集和存储不是这篇文章的重点，假设我们已经拿到了数据：10个链接的用户访问数据集合,我们如何获取这些集合的基数呢？

传统的方法

• 基于bitmap的实现
  • 由于每个用户对于每个链接只有 访问/未访问 这两种状态， 所以我们将每一个独立用户映射到一个bit位上，这样可以使用一串bit数组来表示一个链接的访问基数，计算访问基数的时候只需要计算bit数组中1的数量就可以了。
  • 优点
    • 可以精确地计算出每个链接的UV数
    • 可以高效地进行合并，例如需要计算多个链接的UV数之和，只需要按位进行或运算。
  • 问题
    • 对于每一个链接，都需要维护一个bit数组，这个数组的大小与集合中的元素个数无关，而是与基数的上限有关，计算上限为1亿的基数，需要12.5M字节的bitmap。最大的问题是即使一个链接仅仅只有一个UV，也要为其分配12.5M字节大小的数组，这样会造成巨大的浪费。

LogLogCounting

• LogLogCounting

  • LogLog代表空间复杂度，这种算法的空间复杂度仅有O(log2(log2(Nmax)))，可以通过KB级内存估计数亿级别的基数

• 均匀随机化

  • 这个算法需要选取一个哈希函数H应用于所有元素，然后对哈希值进行基数估计。H必须满足如下条件：
    1. H的结果具有很好的均匀性，也就是说无论原始集合元素的值分布如何，其哈希结果的值几乎服从均匀分布
    2. H的碰撞几乎可以忽略不计。也就是说我们认为对于不同的原始值，其哈希结果相同的概率非常小以至于可以忽略不计
    3. H的哈希结果是固定长度的

• 基本思想(伯努利试验以及其推论)

  • 伯努利试验：一次实验的结果只有发生和不发生两种，重复做这个实验，直到结果发生为止，记录下实验的次数。
  • 步骤

    1. 设a为待估集合中的一个元素,通过计算a的哈希值，可以得到一个固定长度的比特串(a的二进制表示),设H哈希后的结果长度为L比特，我们将这L个比特位从左到右分别编号为1、2、…、L。

    2. 由于a是从服从均匀分布的空间中随机抽取的一个样本，所以a的每个比特位为0或者1的概率都是1/2,且相互独立。

    3. 取 ρ(a) 为a的比特串中第一个'1'出现的位置, 则1 ≤ ρ(a) ≤ L成立(忽略比特串全为0的情况（概率为1/2^L）)

    4. 遍历集合中所有元素的比特串，取ρmax为所有ρ(a)的最大值

  此时我们可以将2^ρmax作为基数的一个粗糙估计，也就是说这个集合的基数是2的ρmax次方

• 为什么是2^ρmax?

  • 由于比特串每个比特都独立且服从0-1分布，因此从左到右扫描上述某个比特串寻找第一个“1”的过程从统计学角度看是一个伯努利过程。例如，可以等价看作不断投掷一个硬币（每次投掷正反面概率皆为0.5），直到得到一个正面的过程。在一次这样的过程中，投掷一次就得到正面的概率为1/2，投掷两次得到正面的概率是1/2^2，…，投掷k次才得到第一个正面的概率为1/ 2^k。

  • 以抛硬币（正反面概率相同）为例，连续抛硬币直到出现正面时停止，记录下抛掷次数（这个过程称之为伯努利过程），n次伯努利过程会得到n个首次出现正面的抛掷次数，其中最大抛掷次数为k，可以通过最大抛掷次数估算出总抛掷次数：n = 2^k

  • 问题

    1. 进行n次伯努利过程，所有投掷次数都不大于k的概率是多少？
       • 在一次伯努利过程中，投掷次数大于k的概率为1/2^k，即连续掷出k个反面的概率。因此，在一次过程中投掷次数不大于k的概率为1−1/2^k。n次伯努利过程投掷次数均不大于k的概率为：(1−1/2^k)^n
    2. 进行n次伯努利过程，至少有一次投掷次数等于k的概率是多少？
       • 答案显然是 1-(1-1/2^(k-1))^n

  • 可以看出，当n≪2^k 时, Pn(X≥k)的概率几乎为0，同时，当n≫2^k 时，Pn(X≤k)的概率也几乎为0。即：当伯努利过程次数远远小于2^k 时，至少有一次过程投掷次数等于k的概率几乎为0；当伯努利过程次数远远大于2^k时，没有一次过程投掷次数大于k的概率也几乎为0。

  • 结论：
    设一个集合的基数为n，ρmax为所有元素中首个“1”的位置最大的那个元素的“1”的位置，如果n远远小于2^ρmax，则我们得到ρmax为当前值的概率几乎为0（它应该更小），同样的，如果n远远大于2^ρmax，则我们得到ρmax为当前值的概率也几乎为0（它应该更大），因此2ρmax可以作为基数n的一个粗糙估计。

• 分桶平均

  • LogLog Counting为了避免偶然性，会先进行分桶，每次抛硬币先随机分配到其中一个桶，每个桶保存最大抛掷次数，最后通过所有桶最大抛掷次数的均值计算，但是在抛掷次数小时误差还是会比较大。具体来说，就是将哈希空间平均分成m份，每份称之为一个桶（bucket）。对于每一个元素，其哈希值的前k比特作为桶编号，其中2^k=m，而后L-k个比特作为真正用于基数估计的比特串。桶编号相同的元素被分配到同一个桶，在进行基数估计时，首先计算每个桶内元素最大的第一个“1”的位置，设为M[i]，然后对这m个值取平均后再进行估计

• 偏差修正

  • 上述的方法并不是基数n的无偏估计。因此需要修正成无偏估计。这里涉及到具体的数学分析方法，可以参考http://algo.inria.fr/flajolet/Publications/DuFl03-LNCS.pdf