HLL数据类型
HLL(Hyper Loglog)是一种用于统计数据集中唯一值个数的高效近似算法,具有计算速度快、节省空间的特点,不需要直接存储集合本身,而是存储HLL数据结构。每当有新数据合入统计时,只需要把数据经过哈希计算,并插入到HLL中,最后根据HLL就可以得到统计结果。
HLL与其他算法的比较,参见下表。
比较指标 | Sort算法 | Hash算法 | HLL |
时间复杂度 | O(nlogn) | O(n) | O(n) |
空间复杂度 | O(n) | O(n) | log(logn) |
误差率 | 0 | 0 | ≈0.8% |
所需存储空间 | 原始数据大小 | 原始数据大小 | 默认规格下最大为16KB |
由上表可知,HLL在计算速度和所占存储空间上都占优势。在时间复杂度上,Sort算法至少需要O(nlogn)的时间,Hash算法、HLL需要O(n)的时间就可以得出结果;在存储空间上,Sort算法和Hash算法都需要先把原始数据存起来再进行统计,会导致存储空间消耗巨大,而对HLL来说,不需要存原始数据,只需要维护HLL数据结构,故占用空间有很大的压缩。默认规格下HLL数据结构的最大空间约为16KB。
- 当前默认规格下,可计算最大distinct值的数量约为1.1e+15个,误差率为0.8%。需要注意的是,如果计算结果超过当前规格下distinct最大值,会导致计算结果误差率变大,或导致计算结果失败并报错。
- 用户在首次使用该特性时,应该对业务的distinct value做评估,选取适当的配置参数并做验证,以确保精度符合要求:
- 当前默认参数下,可以计算的distinct值为1.1e+15,如果计算得到的distinct值为NaN,需要调整log2m,或者采用其他算法计算distinct值。
- 虽然hash算法存在极低的hash collision概率,但是建议用户在首次使用时,选取2-3个hash seed验证,如果得到的distinct value相差不大,则可以从该组seed中任选一个作为hash seed。