GK Summay算法(ϵ−approximate ϕ−quantile)

GK Summay算法(ϵ−approximate ϕ−quantile)前言背景GKSummary算法1GKSummary定义2GKSummary插入insert3GKSummary删除delete与compress4GKSummary算法参考文献0.前言  XGBoost不仅能在单机上通过OMP实现高度并行化,还能通过MPI接口与近似分位点算法(论文中是weightedquantilessketch)实现高效的分布式并行化。其中we


0.前言

  XGBoost不仅在单机上通过OMP实现高度并行化,还通过MPI接口与近似分位点算法(论文中是weighted quantiles sketch)实现高效的分布式并行。其中weighted quantiles sketch框架基于 ϵ -approximate quantile近似分位点算法。不得不说分位点算法在分布式系统、流式系统中使用是个很天才的想法,很多分布式算法的基石。早在2001年,M.Greenwald和S. Khanna提出了GK Summay分位点近似算法(ϵ−approximate ϕ−quantile),直到到2007年被Q. Zhang和W. Wang提出的多层level的merge与compress/prune框架进行高度优化,而被称为A fast algorithm for approximate quantiles,目前XGBoost框架套用A fast algorithm算法结构。

  本文主要介绍GK Summay算法,后续博客会持续更新分布式GK Summay算法以及A fast algorithm for approximate quantiles算法,最后还会分析XGBoost中使用的weighted quantiles sketch算法,博客内容来源主要是原始论文与Emory大学的流式数据库的课程内容,本文仅提取出关键内容加入笔者的个人理解,有错误还望谅解与告知。

1.背景

   ϕquantile 分位点概念:排序为 rank=ϕN 的元素,其中 N 为序列中元素的个数。考虑以下例子数据:



11 , 21 , 24 , 61 , 81 , 39 , 89 , 56 , 12 , 51



  查询

ϕquantile
分位点所在数据前,需要对无序数据进行排序:


input:sort:rank:111112112224213612448139539516895675661812819518910



  排序后很容得到:

0.5quantile
对应

rank=5
,值为39。 此外还有,

0.1quantile
对应

rank=1
,值为11。

   ϵapproximate ϕquantile 分位点概念:考虑误差近似,即给定误差 ϵ 和分位点 ϕ ,只需要给定排序区间 r[(ϕε)N, (ϕ+ε)N] 内任意元素即可。类似地,给定 ε=0.1,ϕ=0.5 ,可得rank值在区间 {
4,5,6}
。给定区间内任意元素,都满足排序误差 ϵN 要求。

  为了满足对数据近似分位点的频繁查询,考虑以下几种场景:

  1. 固定不变的数据集
  2. 流式数据,数据长度不断增加
  3. 数据源分布存储,但数据长度固定
  4. 数据源分布存储+流式数据,数据长度不断增加

  对于场景1,可以对数据进行预排序,每次查询采用二分法精确查找,时间复杂度为 O(logN) 。考虑排序误差 ϵN , 我们可以对数据进行分桶,分桶长度为 ϵN 来保证误差,即分 1/ϵ 个桶,时间复杂度降低为 O(log(1/ϵ)) ,简单的离线排序和分桶都属于offline算法,无法满足场景2、3、4场景,这就需要本文介绍online算法来构建查询summary。

2. GK Summary算法

2.1 GK Summary定义

  GK Summary原本是针对流式系统分位点查询设计的,基于上述场景2。对于 ϵapproximate 分位点查询,可以构建查询summary结构,包含 m 个summary tuple的集合:



{(v1,min1,max1),(v2,min2,max2,...,(vm,minm,maxm)}



  
定义:

vi
为命中第

i
个summary的代表值,简单起见,



vi

定义为

rank=mini
对应值,summary的

rank
区间为

[mini,maxi]


  
约束:为了满足给定误差

ϵN


maximiniϵN
。证明:显而易见。

  流式数据是不断更新,这种summary结构存在缺点:每次插入中间值,需要更新插入位置后面的summary,更新复杂度高。流式数据插入更新频率比查询频率要更高,必须优先解决数据插入构建summary的复杂度。

  对此,Greenwald与Khanna提出对数据插入更新友好的GK Summary结构,相对于存绝对值,GK Summary采用相对值的结构,类似地,包含 m 个summary tuple的集合:



(v0,g0,Δ0),(v1,g1,Δ1),...,(vs1,gs1,Δs1)



  
定义:

vi
为命中第

i
个summary的代表值,



rmin(v)



v
所在summary的下界,



rmax(v)



v
所在summary的上界,则



gi



Δi
定义如下:


gi={
rmin(vi)rmin(vi1)1, i>0, i=0




Δi={
rmax(vi)rmin(vi)0, i<s1, i=s1



  为了便于理解,

gi


Δi
关系如下图:




这里写图片描述




  
边界条件:

v0
为数据中最小值,

vs1
为数据中最大值。等价于第一种定义的summary,排序相对值转化为绝对值,满足以下性质:

  性质1: rmin(vi)=ij=0gi , 由 gi 定义,可以证明:

rmin(vi)=gi+rmin(vi1)=gi+gi1+rmin(vi2)=gi+gi1+gi2...+rmin(v0)



  
此外,边界设定

rmin(v0)=g0=1

,得证

  性质2: rmax(vi)=ij=0gi+Δi , 由性质1定义 Δi=rmax(vi)rmin(vi) 可得
  性质3: s1j=0gi=N , 由性质2边界设定 Δs1=0 可得。

  约束:为了满足给定误差 ϵN maxi(gi+Δi)2ϵN 证明如下:
  设最大误差为 e=maxi(gi+Δi)/2 , 则  gi+Δi2e2ϵN
  1) 首先考虑边界情况: r>Ne , 直接返回 vs1 ,对应 rank=N ,此时误差为 Nr<e
  2) 一般情况: rNe , 找到最小的 j ,使得

rmax(vj)>r+e
,必有 rmax(vj1)r+e

 gi+Δi2ermin(vj1)=rmax(vj)(gi+Δi)>re



  因此,查询返回为

vj1
, 其代表区间在

[re,r+e]
内,满足误差

ϵN
要求,得证。更直观的图示如下:




这里写图片描述




  
Summary查询过程:上述证明揭示了对于任意分位点

ϕ
,计算出排序位置

r
:1)找到最小



j

,使得

rmax(vj)>r+e
,则返回

vj1
值,2)如果找不到则返回

vs1


  只要流式系统中每个时刻都维持这种summary结构,每次查询都能满足精度要求,但是流式数据实时更新,需要解决新增数据的summary更新问题。

2.2 GK Summary插入insert

  流式系统数据实时更新,不断产生新数据,数据量不断增加,尽管查询近似度 ϵ 不变,随着数据量增加, ϵN 不断变大。为了保证误差,任何时刻都要保证满足约束 maxi(gi+Δi)2ϵN 。首先考虑数据 v 插入情况的summary更新:
  1) 最小值边界情况:

v<v0
,则插入summary为 (v,1,0)
  2) 最大值边界情况: v>vs1 , 则插入summary为 (v,1,0)
  3) 一般情况: vi1v<vi ,则插入summary为 (v,1,gi+Δi1)

  证明:对于情况1)与2),显而易见的。对于情况3):

  summary内部tuple按照对应的 v 排序,新增summary是插入到第

i1
个summary后面,前 i1 个summary不受影响,对于后面的 i

s1
的summary来说,对应 rank 值均增加, rmax rmin 均需加1,因此 g

Δ
均不需要改变,也就满足了误差约束条件。这里可以看出:与前文提到的summary相比,GK Summary对于新增数据无需更新其他summary
  新增summary必须满足 g1 g+Δgi+Δi ,如果不满足则没有必要插入,因为前后2个summary可以覆盖新增的summary,选择 g=1 的主要原因是有利于后期summary的delete,后续会谈到,设置 Δ=gi+Δi1 能使得 g+Δ2ϵN ,原则上 Δ2ϵN1 任意值即可,后续可以看到新增非边界的summary tuple的 Δ=2ϵN1

2.3 GK Summary删除delete与compress

  每次数据插入都需要新增summary,summary不能持续增加而不删除,因此到达一定程度需要对summary进行delete。为了时刻满足 maxi(gi+Δi)2ϵN ,GK Summary 的delete操作
  如果存在: gj+...gi+gi+1+Δi+12ϵN
  则可以用 (vi+1,gj+...+gi+gi+1,Δi+1) 来替代 {
(vj,gj,Δj)...(vi,gi,Δi),(vi+1,gi+1,Δi+1)}

  换句话说:
  1)删除summary集合: {
(vj,gj,Δj)...(vi,gi,Δi)}

  2)更新 (vi+1,gi+1,Δi+1)(vi+1,gj+...+gi+gi+1,Δi+1)

  delete操作特性:只改变 vi+1 所在summary的 gi+1 , 并不改变 Δi+1 。也就是说 Δ 越小,在满足误差约束下,具有合并更多summary的潜力。

  为了追求效率,根据delete性质,GK提出compress操作,首先说明论文的概念:
  1. Fullness: 如果

gi+Δi=2ϵN
,则说明该summary tuple是full的
  2. Capacity:由于delete操作 Δ 不变性,因此summary达到full,

g
最终为 2ϵN - Δ ,因此

Δ
决定了summary tuple的capacity。
  3. Bands:compress操作主要是减少summary总数,每个summary的元素覆盖数coverage取决于 g , 因此需要保持

g
值尽量大,对应 Δ 尽量少,也就是说

Δ
值小的summary应该越多,引入 bands 主要是对 summary 进行分级,对于给定 Δ

p=2ϵN
,可以计算 band 值为:

capactity=pΔband=log2(capactity)

  对于 band=α capactity 区间为 [2α,2α+1) Δ 对应区间

(p2α+1,p2α]
,注意开闭区间。 band 值越大, Δ 越小,capacity能力越大。考虑合并策略:对于相连

summaryi
, summaryi+1 合并,合并更新到 band 值较小的 summary 上,由于delete的 Δ 不变性,保留

band
值大的,有更大的 capacity ,后期能够容纳更多的summary。对每个summary都包含 Δ ,可以组织成$bands¥树结构,如下图所示:




这里写图片描述




  


band
树结构特性:对于节点 V ,其所有子节点与

V
summary 中是连续相连的。

   summary 更新过程中如何保证这一性质?

  1)每次新数据会插入新 summary Δ=2ϵN1 , 对应 band=0 ,为最小值,除非单独节点,否则一定为右边节点的子节点。
  2)合并策略:对于 summaryi , summaryi+1 合并,合并更新到 band 值较小的 summary 上。

  因此,上述操作会维持这种 band 树结构性质。此外,满足上述条件,论文中给出基于 band compress算法




这里写图片描述



  算法从右往左扫描,其中 g 为当前节点与其所有子节点 g 总和,如果遇到:

BAND(Δi,2ϵn)BAND(Δi+1,2ϵn)
gi+gi+1+Δi+1<2ϵn , 删除 i 节点与其子节点对应summary tuple。

2.4 GK Summary算法

  此外,需要明确compress操作执行时机:有时候原来的summary是不可合并的,但是随着数据量

N
增加, p=2ϵN 相应增大, band capacity 值是会随着阶段性不断变大的,而出现可合并的情况. 论文给出数据每增量 1/2ϵ 时,会执行compress操作。因为这种情况下误差值绝对值增量为 2ϵ×1/2ϵ=1 ,原本不满足误差约束条件的情况会发生改变,否则正常插入数据到summary,算法如下:




这里写图片描述


  论文还证明了以下性质和结论,由于章节内容过多,下面仅放置结论,首先继续说个概念:
  Coverage:每个summary tuple会cover新增数据,对于 summaryi ,cover数据来源:1)直接cover:即单个数据插入生成的summary直接merge到 summaryi ;2)间接cover:即该数据原本被merge到 summaryj , 而 summaryj 又merge到 summaryi 。每个数据初始插入都为 (v,1,2ϵN1) ,开始阶段 Δ =0,其中

g
为summary数据覆盖量。

  性质1:任何时刻, band=α 的summary覆盖的数据点不可能来源于 band=β 的summary,其中 β>α
  性质2:任何时刻,所有 band[0,α] 构成的summary集合,覆盖数据总和数上界为 2α/ϵ
  性质3:任何时刻,给定 band=α ,最多 3/(2ϵ) 个父节点
  性质4:任何时刻,给定 band=α ,最多 4/ϵ 个右侧兄弟节点是full的summary
  性质5:任何时刻, band=α 的summary总数上界为 11/(2ϵ)
  结论:任何时刻,summary的总个数上界为: 11/(2ϵ)log2(2ϵN) 。性质5直接可得该结论。


参考文献

  1. GK Summary算法论文:http://infolab.stanford.edu/~datar/courses/cs361a/papers/quantiles.pdf
  2. Emory大学Stream DB System课程关于ϵ-approximate ϕ-quantile材料:http://www.mathcs.emory.edu/~cheung/Courses/584-StreamDB/Syllabus/08-Quantile/Greenwald.html
  3. Emory大学Stream DB System课程关于GK Summary算法材料:
    http://www.mathcs.emory.edu/~cheung/Courses/584-StreamDB/Syllabus/08-Quantile/Greenwald2.html

今天的文章GK Summay算法(ϵ−approximate ϕ−quantile)分享到此就结束了,感谢您的阅读,如果确实帮到您,您可以动动手指转发给其他人。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/32414.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注