WikiDer > Алгоритм Флажолета – Мартина

Эта статья является сирота, как никакие другие статьи ссылка на это. Пожалуйста ввести ссылки на эту страницу из Статьи по Теме; попробуйте Инструмент поиска ссылок для предложений. (Ноябрь 2014 г.)

В Алгоритм Флажоле – Мартина является алгоритм для аппроксимации количества различных элементов в потоке с помощью одного прохода и логарифмического использования пространства в максимальном количестве возможных различных элементов в потоке ( проблема с подсчетом). Алгоритм был представлен Филипп Флажоле и Дж. Найджел Мартин в своей статье 1984 года «Вероятностные алгоритмы подсчета для приложений баз данных».^[1] Позже он был доработан в «LogLog подсчет больших мощностей» Марианна Дюран и Филипп Флажоле,^[2] и "HyperLogLog: Анализ алгоритма оценки мощности, близкого к оптимальному »по Филипп Флажоле и другие.^[3]

В своей статье 2010 года «Оптимальный алгоритм для решения проблемы с отдельными элементами»,^[4] Дэниел М. Кейн, Джелани Нельсон и Дэвид П. Вудрафф предлагают улучшенный алгоритм, который использует почти оптимальное пространство и имеет оптимальные О(1) время обновления и отчетности.

Алгоритм

Предположим, что нам дан хэш-функция ${ Displaystyle mathrm {хэш} (х)}$ что отображает ввод ${ displaystyle x}$ к целым числам в диапазоне ${ displaystyle [0; 2 ^ {L} -1]}$, и где выходы достаточно равномерно распределены. Обратите внимание, что набор целых чисел от 0 до ${ displaystyle 2 ^ {L} -1}$ соответствует набору двоичных строк длины ${ displaystyle L}$. Для любого неотрицательного целого числа ${ displaystyle y}$, определять ${ Displaystyle mathrm {бит} (у, к)}$ быть ${ displaystyle k}$-й бит в двоичном представлении ${ displaystyle y}$, такое, что:

${ displaystyle y = sum _ {k geq 0} mathrm {bit} (y, k) 2 ^ {k}.}$

Затем мы определяем функцию ${ displaystyle rho (y)}$ который выводит позицию младшего разряда набора в двоичном представлении ${ displaystyle y}$:

${ displaystyle rho (y) = min {k geq 0 mid mathrm {bit} (y, k) neq 0 }}$

куда ${ Displaystyle rho (0) = L}$. Обратите внимание, что в приведенном выше определении мы используем 0-индексацию для позиций. Например, ${ Displaystyle rho (13) = rho (1101_ {2}) = 0}$, так как младший бит равен 1 (0-я позиция), и ${ Displaystyle rho (8) = rho (1000_ {2}) = 3}$, так как младший бит находится на 3-й позиции. На этом этапе обратите внимание, что в предположении, что выход нашей хеш-функции равномерно распределен, тогда вероятность наблюдения хеш-выхода, заканчивающегося на ${ displaystyle 2 ^ {k}}$ (один, за которым следует ${ displaystyle k}$ нулей) ${ Displaystyle 2 ^ {- (к + 1)}}$, поскольку это соответствует переворачиванию ${ displaystyle k}$ орла, а затем хвост с честной монетой.

Теперь алгоритм Флажоле – Мартина для оценки мощности мультимножество ${ displaystyle M}$ как следует:

1. Инициализировать битовый вектор BITMAP, чтобы иметь длину ${ displaystyle L}$ и содержать все нули.
2. Для каждого элемента ${ displaystyle x}$ в ${ displaystyle M}$:
   1. Рассчитать индекс ${ Displaystyle я = ро ( mathrm {хэш} (х))}$.
   2. Набор ${ Displaystyle mathrm {BITMAP} [я] = 1}$.
3. Позволять ${ displaystyle R}$ обозначают наименьший индекс ${ displaystyle i}$ такой, что ${ Displaystyle mathrm {BITMAP} [я] = 0}$.
4. Оцените мощность ${ displaystyle M}$ в качестве ${ displaystyle 2 ^ {R} / phi}$, куда ${ displaystyle phi приблизительно 0,77351}$.

Идея в том, что если ${ displaystyle n}$ количество различных элементов в мультимножестве ${ displaystyle M}$, тогда ${ displaystyle mathrm {BITMAP} [0]}$ доступен примерно ${ displaystyle n / 2}$ раз, ${ displaystyle mathrm {BITMAP} [1]}$ доступен примерно ${ displaystyle n / 4}$ раз и так далее. Следовательно, если ${ Displaystyle я gg журнал _ {2} п}$, тогда ${ Displaystyle mathrm {BITMAP} [я]}$ почти наверняка 0, и если ${ Displaystyle я ll журнал _ {2} п}$, тогда ${ Displaystyle mathrm {BITMAP} [я]}$ почти наверняка 1. Если ${ Displaystyle я приблизительно журнал _ {2} п}$, тогда ${ Displaystyle mathrm {BITMAP} [я]}$ можно ожидать, что оно будет равно 1 или 0.

Поправочный коэффициент ${ displaystyle phi приблизительно 0,77351}$ находится расчетами, которые можно найти в оригинальной статье.

Повышение точности

Проблема с алгоритмом Флажоле – Мартина в приведенной выше форме заключается в том, что результаты значительно различаются. Распространенным решением было запускать алгоритм несколько раз с ${ displaystyle k}$ различные хэш-функции и объединить результаты разных прогонов. Одна из идей состоит в том, чтобы усреднить ${ displaystyle k}$ получается вместе из каждой хеш-функции, получая единую оценку мощности. Проблема в том, что усреднение очень чувствительно к выбросам (которые, скорее всего, здесь). Другая идея - использовать медиана, который менее подвержен влиянию выбросов. Проблема в том, что результаты могут принимать только форму ${ displaystyle 2 ^ {R} / phi}$, куда ${ displaystyle R}$ целое число. Распространенное решение - объединить среднее и медиану: ${ Displaystyle к cdot l}$ хэш-функции и разбить их на ${ displaystyle k}$ отдельные группы (каждая размером ${ displaystyle l}$). Внутри каждой группы используйте медианное значение для агрегирования ${ displaystyle l}$ результатов, и, наконец, возьмите среднее значение ${ displaystyle k}$ групповые оценки в качестве окончательной оценки.

2007 год HyperLogLog алгоритм разбивает мультимножество на подмножества и оценивает их мощности, затем он использует гармоническое среднее чтобы объединить их в оценку исходной мощности.^[3]

Смотрите также

• Алгоритм потоковой передачи
• HyperLogLog

Рекомендации

Дополнительные источники

• Раджараман, Ананд; Ульман, Джеффри Дэвид (27.10.2011). Майнинг массивных наборов данных. Издательство Кембриджского университета. п. 119. ISBN 9781139505345. Получено 2014-11-09.