需求:快速的对数亿条数据进行粗略统计

技术实现:采用Java的LinkedHashMap与HashMap在内存中进行运算

由于开发机的内存不够大,需要将开发机器上的程序打包传到服务器上运行,但是在运行的过程中,每次运行至1.5亿后,程序运算时间明显变慢,成2的n次方级别递增。

这时候查看内存,Java程序进程占用内存为4G,很熟悉的数字。

经检查发现,程序开发机的JDK是32位的,而服务器端的JDK是64位的,换了台64位的机器,使用64位JDK打包上传,问题解决。

开发环境和运行环境的一致性一如既往的重要啊。

Java次方运算性能测试

| No Comments | No TrackBacks

背景:最近工作中使用聚类算法进行数据分类,采用欧氏距离计算特征矢量的相似度,由于数据维度太大,运算比较耗时,除去使用各种办法减小运算次数外,需要对每一行代码进行优化。

由于每次迭代需要上百亿次的平方运算,原来的代码采用的Math.pow的方法进行平方运算,如果这一个步骤每次都可以节省一些时间,那么对于上百亿次的运算来讲,运算时间将大大缩减。

 

采用了三种运算方式,进行对比,结果如下(实验数据使用浮点数):

平方运算(耗时单位:ms):

运算次数/耗时 1亿次 2亿次 4亿次 8亿次 16亿次
Math.pow 1245 2499 5003 9972 19932
StrictMath.pow 1905 3893 7789 15531 31437
x*x 35 69 140 286 549

 

 
三次方运算(耗时单位:ms):
 
运算次数/耗时 1亿次 2亿次 4亿次 8亿次 16亿次
Math.pow 19177 38576 77039 154462 312001
StrictMath.pow 20296 40507 80848 162794 332476
x*x*x 36 70 140 301 587

通过实验结果可以看出,pow的性能在大运算量的情况下不是特别理想。

 

数据可视化工具:d3js

| No Comments | No TrackBacks

可视化的数据可以让数据分析的结果更加直观,便于发觉隐含内容;最近需要对聚类算法的结果数据进行进一步的分析,探索了一些可视化的工具或组件,最后选择了d3js。

 

Data-Driven Documents(d3)是一个JavaScript类库,基于W3C标准,使用HTML、SVG和CSS把数据转换为各种绚丽的图形。

 

支持的数据格式有常见的:txt、html、json、html、xml、csv等

 

直接调用d3库制作的Bubble图(如下):

cluster_20121119182946.png

 

2万条数据耗时10秒左右(肉眼估测);

 

更多内容请见:

官方主页:http://d3js.org/

 

在线示例:https://github.com/mbostock/d3/wiki/Gallery

【转】布隆过滤器 (Bloom Filter) 详解

| No Comments | No TrackBacks

 

作者:Allen Sun

 

布隆过滤器 (Bloom Filter)是由Burton Howard Bloom于1970年提出,它是一种space efficient的概率型数据结构,用于判断一个元素是否在集合中。在垃圾邮件过滤的黑白名单方法、爬虫(Crawler)的网址判重模块中等等经常被用到。哈希表也能用于判断元素是否在集合中,但是布隆过滤器只需要哈希表的1/8或1/4的空间复杂度就能完成同样的问题。布隆过滤器可以插入元素,但不可以删除已有元素。其中的元素越多,false positive rate(误报率)越大,但是false negative (漏报)是不可能的。

 

本文将详解布隆过滤器的相关算法和参数设计,在此之前希望大家可以先通过谷歌黑板报的数学之美系列二十一 - 布隆过滤器(Bloom Filter)来得到些基础知识。

 

 

一. 算法描述

一个empty bloom filter是一个有m bits的bit array,每一个bit位都初始化为0。并且定义有k个不同的hash function,每个都以uniform random distribution将元素hash到m个不同位置中的一个。在下面的介绍中n为元素数,m为布隆过滤器或哈希表的slot数,k为布隆过滤器重hash function数。

 

为了add一个元素,用k个hash function将它hash得到bloom filter中k个bit位,将这k个bit位置1。

 

为了query一个元素,即判断它是否在集合中,用k个hash function将它hash得到k个bit位。若这k bits全为1,则此元素在集合中;若其中任一位不为1,则此元素比不在集合中(因为如果在,则在add时已经把对应的k个bits位置为1)。

 

不允许remove元素,因为那样的话会把相应的k个bits位置为0,而其中很有可能有其他元素对应的位。因此remove会引入false negative,这是绝对不被允许的。

 

当k很大时,设计k个独立的hash function是不现实并且困难的。对于一个输出范围很大的hash function(例如MD5产生的128 bits数),如果不同bit位的相关性很小,则可把此输出分割为k份。或者可将k个不同的初始值(例如0,1,2, … ,k-1)结合元素,feed给一个hash function从而产生k个不同的数。

 

当add的元素过多时,即n/m过大时(n是元素数,m是bloom filter的bits数),会导致false positive过高,此时就需要重新组建filter,但这种情况相对少见。

 

二. 时间和空间上的优势

当可以承受一些误报时,布隆过滤器比其它表示集合的数据结构有着很大的空间优势。例如self-balance BST, tries, hash table或者array, chain,它们中大多数至少都要存储元素本身,对于小整数需要少量的bits,对于字符串则需要任意多的bits(tries是个例外,因为对于有相同prefixes的元素可以共享存储空间);而chain结构还需要为存储指针付出额外的代价。对于一个有1%误报率和一个最优k值的布隆过滤器来说,无论元素的类型及大小,每个元素只需要9.6 bits来存储。这个优点一部分继承自array的紧凑性,一部分来源于它的概率性。如果你认为1%的误报率太高,那么对每个元素每增加4.8 bits,我们就可将误报率降低为原来的1/10。add和query的时间复杂度都为O(k),与集合中元素的多少无关,这是其他数据结构都不能完成的。

 

如果可能元素范围不是很大,并且大多数都在集合中,则使用确定性的bit array远远胜过使用布隆过滤器。因为bit array对于每个可能的元素空间上只需要1 bit,add和query的时间复杂度只有O(1)。注意到这样一个哈希表(bit array)只有在忽略collision并且只存储元素是否在其中的二进制信息时,才会获得空间和时间上的优势,而在此情况下,它就有效地称为了k=1的布隆过滤器。

 

而当考虑到collision时,对于有m个slot的bit array或者其他哈希表(即k=1的布隆过滤器),如果想要保证1%的误判率,则这个bit array只能存储m/100个元素,因而有大量的空间被浪费,同时也会使得空间复杂度急剧上升,这显然不是space efficient的。解决的方法很简单,使用k>1的布隆过滤器,即k个hash function将每个元素改为对应于k个bits,因为误判度会降低很多,并且如果参数k和m选取得好,一半的m可被置为为1,这充分说明了布隆过滤器的space efficient性。

 

三. 举例说明

以垃圾邮件过滤中黑白名单为例:现有1亿个email的黑名单,每个都拥有8 bytes的指纹信息,则可能的元素范围为  clip_image002 ,对于bit array来说是根本不可能的范围,而且元素的数量(即email列表)为 clip_image002[6],相比于元素范围过于稀疏,而且还没有考虑到哈希表中的collision问题。

 

若采用哈希表,由于大多数采用open addressing来解决collision,而此时的search时间复杂度为 :

clip_image002[8]

即若哈希表半满(n/m = 1/2),则每次search需要probe 2次,因此在保证效率的情况下哈希表的存储效率最好不超过50%。此时每个元素占8 bytes,总空间为:

clip_image002[10]

若采用Perfect hashing(这里可以采用Perfect hashing是因为主要操作是search/query,而并不是add和remove),虽然保证worst-case也只有一次probe,但是空间利用率更低,一般情况下为50%,worst-case时有不到一半的概率为25%。

 

若采用布隆过滤器,取k=8。因为n为1亿,所以总共需要 clip_image002[12] 被置位为1,又因为在保证误判率低且k和m选取合适时,空间利用率为50%(后面会解释),所以总空间为:

clip_image002[14]

所需空间比上述哈希结构小得多,并且误判率在万分之一以下。

 

四. 误判概率的证明和计算

假设布隆过滤器中的hash function满足simple uniform hashing假设:每个元素都等概率地hash到m个slot中的任何一个,与其它元素被hash到哪个slot无关。若m为bit数,则对某一特定bit位在一个元素由某特定hash function插入时没有被置位为1的概率为:

clip_image002[16]

则k个hash function中没有一个对其置位的概率为:

clip_image002[18]

如果插入了n个元素,但都未将其置位的概率为:

clip_image002[20]

则此位被置位的概率为:

clip_image002[22]

 

现在考虑query阶段,若对应某个待query元素的k bits全部置位为1,则可判定其在集合中。因此将某元素误判的概率为:

clip_image002[24]

由于 clip_image002[26],并且 clip_image002[28]  当m很大时趋近于0,所以

clip_image002[30]

从上式中可以看出,当m增大或n减小时,都会使得误判率减小,这也符合直觉。

 

现在计算对于给定的m和n,k为何值时可以使得误判率最低。设误判率为k的函数为:

clip_image002[32]

设  clip_image002[34] , 则简化为

clip_image002[36],两边取对数

clip_image002[38]  , 两边对k求导

clip_image002[40]

下面求最值

clip_image002[42]

clip_image002[44] clip_image004

clip_image002[44] clip_image006

clip_image002[44] clip_image008

clip_image002[44] clip_image010

clip_image002[44] clip_image012

clip_image002[44] clip_image014

clip_image002[44] clip_image002[52]

因此,即当 clip_image002[54]  时误判率最低,此时误判率为:

clip_image002[56]

可以看出若要使得误判率≤1/2,则:

clip_image002[58]

这说明了若想保持某固定误判率不变,布隆过滤器的bit数m与被add的元素数n应该是线性同步增加的。

 

五. 设计和应用布隆过滤器的方法

应用时首先要先由用户决定要add的元素数n和希望的误差率P。这也是一个设计完整的布隆过滤器需要用户输入的仅有的两个参数,之后的所有参数将由系统计算,并由此建立布隆过滤器。

 

系统首先要计算需要的内存大小m bits:

clip_image002[60]

 

再由m,n得到hash function的个数:

clip_image002[52]

 

至此系统所需的参数已经备齐,接下来add n个元素至布隆过滤器中,再进行query。

 

根据公式,当k最优时:

clip_image002[66]

clip_image004[8]

因此可验证当P=1%时,存储每个元素需要9.6 bits:

clip_image002[70]

而每当想将误判率降低为原来的1/10,则存储每个元素需要增加4.8 bits:

clip_image002[72]

 

这里需要特别注意的是,9.6 bits/element不仅包含了被置为1的k位,还把包含了没有被置为1的一些位数。此时的

clip_image002[74]

才是每个元素对应的为1的bit位数。

 

clip_image002[76]   从而使得P(error)最小时,我们注意到:

clip_image002[78] 中的 clip_image002[80]  ,即

clip_image002[82]

此概率为某bit位在插入n个元素后未被置位的概率。因此,想保持错误率低,布隆过滤器的空间使用率需为50%。

jQuery AnimateMask 动态遮罩

| 2 Comments | No TrackBacks
基于jQuery animate封装的一个动态遮罩效果
支持easing库
支持maskIn/maskOut效果设置(有高度渐变、宽度简便、从各个角度进入/退出)
支持遮罩层颜色设置、透明度设置
支持进入、退出速度设置

具体使用方法:
$("#threeimg").animateMask("#four",500,{easing:'backout',maskIn:"heightIn",maskOut:"widthOut",
duration:"slow",color:"#f00",opacity:"0.5"});

$("#threeimg")为鼠标hover事件的对象

"#four"为出现动态遮罩的对象

maskIn/maskOut为进入、退出的效果设置(具体效果有heightIn、widthIn、lefttopIn、righttopIn、leftbottomIn、rightbottomIn和heightOut、widthOut、lefttopOut、righttopOut、leftbottomOut、rightbottomOut,默认效果为从遮罩对象中部变大出现,然后淡出)

duration为退出时的速度设置

color设置遮罩层的颜色

opacity设置遮罩层的透明度

http://jqueryplugin.googlecode.com/files/AnimateMask.zip

jQuery FlyTo效果

| No Comments | No TrackBacks
从一个地方飞到另一个地方
把jQuery的animate方法封装了一下,支持设置fly时间、是否fade away,支持easing库,支持回调

具体使用方法:

    $("#from").flyTo("#to",1000,{fade:'true',easing:'backout',callback:function(){
       ended();             
    }});

ended(); 是回调时调用的函数,fade为true在fly的同时会慢慢消失

http://jqueryplugin.googlecode.com/files/FlyTo.zip

jQuery checkbox 全选/反选

| 1 Comment | No TrackBacks

项目开发时要用到全选/反选,于是随手写了一个插件,适用于jQuery1.2.2之后的版本

使用方法:
js里面加入


  $(document).ready(function(){
   var chk_options = {
    invert:'#invert',    //反选框id,可以使用jQuery支持的格式
    all:'#checkAll',    //全选框id,可以使用jQuery支持的格式
    item:'.checkitem'    //被操作的CheckBox,可以使用jQuery支持的格式
   };
   $(this).chk_init(chk_options);
  });

在html页面中相应的位置加上上面的属性即可,如下:

        <div>
        <input type="checkbox" class="checkitem"/>A<br />
        <input type="checkbox" class="checkitem"/>B<br />
        <input type="checkbox" class="checkitem"/>C<br />
        <input type="checkbox" class="checkitem"/>D<br />
        <input type="checkbox" class="checkitem"/>E<br />
        <input type="checkbox" class="checkitem"/>F<br />
        <input type="checkbox" class="checkitem"/>G<br />
        </div>
        <div id="div2">
        <input type="checkbox" id="checkAll"/>CheckAll
        &nbsp;&nbsp
        <input type="checkbox" id="invert"/>Invert
        </div>

下载地址:
http://jqueryplugin.googlecode.com/files/CheckBox.zip

SproutCore

| No Comments | No TrackBacks
SproutCore被形容为"开源,跨平台,类Cocoa创意的JavaScript架构,能够创造拥有桌面应用程序外观和操作感的网页应用。"

今天看了一下,还不是很成熟,等待完善版本

http://www.sproutcore.com/