HyperLogLog原理与在Redis中的使用

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

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

python 操作Redis HyperLogLog

from MyRedis.RedisTool import RedisTool


class 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 $2^{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 $k_1$k1​ 次硬币， 第二次抛了 $k_2$k2​ 次硬币，那么第 n 次实验就抛了 $k_n$kn​ 次硬币。在 $[k_1 -k_n]$[k1​−kn​] 之间，就必然存在一个最大值 $k_{max}$kmax​ , $k_{max}$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 $n $ 和这个最大值 $k_{max}$kmax​ 存在关系: $n = 2^{k_{max}}$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 $k_{max}=4$kmax​=4 ,按照上面的公式应该得到 $5=2^4$5=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 random


class BernoulliExp:
    def __init__(self, freq: int):
        self.freq = freq
        self.option = [0, 1]

    def run(self):
        k_max = 0
        for i in range(self.freq):
            num = 0
            while True:
                num += 1
                result = 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 = num
        return k_max


if __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，$k_{max}$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$k_{max}$kmax​的平均值，用python模拟一下

import random


class 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 = freq
        self.option = [0, 1]
        self.rounds = rounds
        self.number_of_trials = num

    def _run_one_round(self):
        k_max = 0
        for i in range(self.freq):
            num = 0
            while True:
                num += 1
                result = 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 = num
        return k_max

    def get_k_max(self):
        sum_k_max = 0
        for i in range(self.rounds):
            sum_k_max += self._run_one_round()
        return sum_k_max / self.rounds

    def deviation(self):
        dev = 0
        for 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.freq
        return dev/self.number_of_trials


if __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 $k_{max}$kmax​却浮动在4.038上下，这就说明$n$n和 $k_{max}$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 $n = \alpha · 2^{k_{max}}$n=α⋅2kmax​

通过简单计算，把 $\alpha$α设为 $0.3652$0.3652:

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$n=6$n=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

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

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

---

而 HyperLogLog和LogLog的区别就是使用调和平均数计算$k_{max}$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：

$H_n = \frac{n}{\sum_{i=1} ^ n \frac{1}{x_i}}$Hn​=∑i=1n​xi​1​n​

所以 HyperLogLog 的公式就可以写为

$DV_{HLL} = const * m * \frac{m}{\sum_{j=1} ^ m \frac{1}{2^{R_j}}}$DVHLL​=const∗m∗∑j=1m​2Rj​1​m​

在Rebit中的实现方法

如果我们我们可以通过$k_{max}$kmax​来估计$n$n,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)​=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)}$110001(2)​,转换成10进制也就是49，而它从右往左看，第3位是1，所以3会被放到49桶中（首先要看49桶中原来的值是不是小于3，如果比3小，就用3替换原来的，否则不变，【因为桶中存的是$k_{max}$kmax​】）, $k_{max}$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，$k_{max}$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： $P = \log_2 m$P=log2​m

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