MV-Sketch

与cm-sketch

相同之处

都用哈希函数将数据映射到桶里：不将接受到的数据完整保存下来，减少数据存储的空间

不同之处

mv为可逆的sketch，即可返回重流的数据；而cm只能输入数据查询

MV-Sketch

可逆—>主选票算法（the majority vote algorithm)

一个桶中有三个成分：重流候选Ki,j(第i行第j个桶），一个计数器记录映射到该桶内的总数据量Vi,j，一个计数器记录重流候选的数据量Ci,j

当一个数据包x映射到桶中时，Vi,j增加新数据包的大小，如果x是当前的重流候选，则Ci,j加上该数据包的大小，反之减少（不断抵消），当C的数值减为负值时，更新重流候选，新重流候选即为当前（使C变为负值）的x，C取绝对值

如:
一串flow abc，a=1,b=5,c=2按顺序映射入一个桶中
最开始重流候选K=a，V=1，C=1
b进入，V=6, b!=K —> C=C-vb=-4 —> C=-C，K=b
c进入，V=8, c!=K —> C=C-vc=2 >0 —>K=b

• 优点：与cm比能储存重流的数据，并且因为一个桶中只需储存一个重流的数据，根据后续数据包的情况进行不断更新，内存开销并不大
• 存在误差：如：
  一串flow abcde，a=10,b=c=3,c=4,d=1
  当e输入时，C变成负值，K更新为d，而d的数据量是flow中最小的

插入、查询操作

插入

数据x通过r个哈希函数的映射，投射到r个桶里

查询

heavy hitter

查询每个桶，若桶中的总计数值V大于某个预设值，则该桶中存在heavy hitter（初筛）：heavy hitter数据量远远大于其他数据，故原理上它所在的桶数据量大

查询上一步初筛中含有heavy hitter的桶中的重流计数器的值，若大于某个预设值，则该桶中的重流候选为一个heavy hitter

heavy changer

分布式数据检测