Redis实战篇（三）基于HyperLogLog实现UV统计功能

2021 年 3 月 31 日
笔记
Redis, redis实战篇

如果现在要开发一个功能：

统计APP或网页的一个页面，每天有多少用户点击进入的次数。同一个用户的反复点击进入记为 1 次，也就是统计 UV 数据。

让你来开发这个统计模块，你会如何实现？

如果统计 PV 数据，只要给网页一个独立的 Redis 计数器就可以了，这个计数器的 key 的格式为 puv:{pid}:{yyyyMMdd}。每来一个请求就 incrby 一次，就可以统计出所有的 PV 数据。

但是 UV 不一样，它要去重，同一个用户一天之内的多次访问请求只能计数一次。这就要求每一个网页请求都需要带上用户的 ID，无论是登陆用户还是未登陆用户都需要一个唯一 ID 来标识。

你可能会马上想到，用 Hash 数据类型就能满足去重。这确实是一种解决方法，但是当这个页面的日活达到百万或千万以上级别的话，Hash 的内存开销就会非常大。

我们来估算一下采用 Hash 的内存空间是多大。假设 key 是 int 类型，对应的是用户ID，value 是 bool 类型，表示已访问，当有百万级不同用户访问时，内存空间为：100万 * (32+8)bit = 40MB。

那有更好的方法吗？有的，下面来介绍基于 HyperLogLog 的解决方案。首先我们先来了解一下 HyperLogLog。

HyperLogLog

HyperLogLog 的作用是提供不精确的去重计数方案。虽然不精确，但也不是非常不精确，标准误差是 0.81%，这样的精确度已经可以满足上面的 UV 统计需求了。

它的优点是使用极少的内存就能统计大量的数据，Redis 实现的 HyperLogLog，只需要 12K 内存就能统计 $2^64$ 个数据。远比 Hash 的内存开销要少。

HyperLogLog(HLL) 是一种用于基数计数的概率算法，是基于 LogLog(LLC) 算法的优化和改进，在同样空间复杂度下，能够比 LLC 的基数估计误差更小。

HyperLogLog 算法的通俗说明：假设我们为一个数据集合生成一个8位的哈希串，那么我们得到00000111的概率是很低的，也就是说，我们生成大量连续的0的概率是很低的。生成连续5个0的概率是1/32，那么我们得到这个串时，可以估算，这个数据集的基数是32。

再深入的那就是数学公式，可参考本文最后的参考链接前往研究。

Redis 中 HLL 的使用

命令	说明	可用版本	时间复杂度
PFADD	添加	>= 2.8.9	O(1)
PFCOUNT	获得基数值	>= 2.8.9	O(1)
PFMERGE	合并多个key	>= 2.8.9	O(N)

示例代码

using StackExchange.Redis;
using System;

public class PageUVDemo
{
    private static IDatabase db;

    static void Main(string[] args)
    {
        ConnectionMultiplexer connection = ConnectionMultiplexer.Connect("192.168.0.104:7001,password=123456");

        db = connection.GetDatabase();

        Console.WriteLine("hll：");
        HLLVisit(1000, 1000);
        HLLVisit(10000, 10000);
        HLLVisit(100000, 100000);

        Console.WriteLine("hash：");
        HashVisit(1000, 1000);
        HashVisit(10000, 10000);
        HashVisit(100000, 100000);
        connection.Close();
    }

    static void HLLVisit(int times, int pid)
    {
        string key = $"puv:hll:{pid}";
        DateTime start = DateTime.Now;
        for (int i = 0; i < times; i++)
        {
            db.HyperLogLogAdd(key, i);
        }
        long total = db.HyperLogLogLength(key);

        DateTime end = DateTime.Now;

        Console.WriteLine("插入{0}次：", times);
        Console.WriteLine("  total:{0}", total);
        Console.WriteLine("  duration:{0:F2}s", (end - start).TotalSeconds);
        Console.WriteLine();
    }

    static void HashVisit(int times, int pid)
    {
        string key = $"puv:hash:{pid}";
        DateTime start = DateTime.Now;
        for (int i = 0; i < times; i++)
        {
            db.HashSet(key, i, true);
        }
        long total = db.HashLength(key);

        DateTime end = DateTime.Now;

        Console.WriteLine("插入{0}次：", times);
        Console.WriteLine("  total:{0}", total);
        Console.WriteLine("  duration:{0:F2}s", (end - start).TotalSeconds);
        Console.WriteLine();
    }
}

运行结果

结果对比

数据通过 redis-rdb-tools 导出，更多请查看。

数据类型	插入次数	内存开销	时间开销	误差率
hash	1000	35KB	3.45s	0%
	10000	426KB	34.65s	0%
	100000	3880KB	342.36s	0%
hll	1000	2KB	3.57s	0.1%
	10000	14KB	33.25s	0.13%
	100000	14KB	307.80s	0.44%

从上面的结果可以看出，10万次级别下，HyperLogLog 的误差率很低，0.44%，但内存开销是 Hash 的0.3%，随着数量级的提升，内存开销差距也越大。

应用场景

统计注册 IP 数
统计每日访问 IP 数
统计页面实时 UV 数
统计在线用户数
统计用户每天搜索不同词条的个数

总结

不追求百分百的准确度时，使用 HyperLogLog 数据结构能减少内存开销。

参考资料

Tags: Redis redis实战篇