Поточный алгоритм

Материал из Википедии — свободной энциклопедии
Перейти к навигации Перейти к поиску

Поточный алгоритм (англ. streaming algorithm) — алгоритм для обработки последовательности данных в один или малое число проходов.

Поточные алгоритмы решают задачи, в которых данные приходят последовательно и в большом объёме. Примером может служить анализ сетевого трафика на стороне маршрутизатора. Подобные задачи накладывают на поточные алгоритмы естественные ограничения по доступной памяти (намного меньше, чем размер входных данных) и времени обработки каждого элемента последовательности. Зачастую, обработка данных возможна только в один проход.

Строгие ограничения на время и память часто делают невозможным точное решение исследуемой задачи. Обычно поточные алгоритмы являются вероятностными и дают приближение на точный ответ.

История[править | править код]

Хотя подобные алгоритмы рассматривались в работах первой половины 1980-х годов[1][2], понятие поточного алгоритма было впервые формализовано в работе Алона, Матиаса (англ. Yossi Matias) и Сегеди (англ. Mario Szegedy) в 1996 году[3]. В 2005 году авторы были удостоены премии Гёделя за вклад в теорию алгоритмов (англ. for their foundational contribution to streaming algorithms).

В 2005 году было введено понятие полупоточного алгоритма (англ. semi-streaming algorithm)[4] как алгоритмов обрабатывающих входящий поток за постоянное или логарифмическое[уточнить] число проходов.

Модель[править | править код]

В модели потоковых данных считается, что часть или весь набор входных данных, над которыми необходимо осуществлять обработку, недоступен для произвольного доступа: входные данные поступают последовательно и непрерывно в одном или нескольких потоках. Потоки данных могут быть представлены упорядоченной последовательностью точек («обновлений»), доступ к которым может осуществляться по порядку и только один или ограниченное число раз.

Во многих публикациях по поточной обработке рассматривают задачу компьютерной статистики над таким распределением данных, которое слишком велико для эффективного хранения[уточнить]. Для данного класса задач предполагается, что вектор (инициализированный нулевой последовательностью ) имеет некоторое количество «обновлений» в потоке. Цель таких алгоритмов — вычислить функции от , используя существенно меньше места, чем это потребовало бы полное представление вектора . Существуют две общих модели обновления таких данных: «касса» (англ. cash register) и «турникет» (англ. turnstile).

В «кассовой» модели каждое «обновление» представляется в форме и модифицируют вектор таким образом, что увеличивается на некоторое положительное целое число . Особым случаем является случай (разрешена вставка только одной единицы).

В «турникетной» модели каждое «обновление» представляется в форме и модифицируют вектор таким образом, что увеличивается на некоторое положительное или отрицательное целое число . В строгой модели, в любой момент времени не может быть отрицательным.

В ряде источников дополнительно рассматривают «слайд-оконную» модель. В данной модели интересующая функция вычисляется над окном ограниченной размерности из потоковых данных, элементы с конца окна не принимаются во внимание, пока новые данные из потока не займут их место.

В данных алгоритмах рассматриваются не только вопросы, связанные с частотными характеристиками данных, но и ряд других. Много задач на графах решаются в условиях того, что матрица смежности графа потоково подгружается в некотором заранее неизвестном порядке. Иногда, напротив, необходимо решить задачу оценки порядка данных, например, посчитать число инверсных значений в потоке и найти наибольшую возрастающую последовательность.

Сравнение алгоритмов[править | править код]

Основные характеристики поточных алгоритмов:

  • число допустимых проходов алгоритма над данными;
  • доступная память;
  • время обработки[уточнить].

Данные алгоритмы имеют много общего с онлайн-алгоритмами[en], так как алгоритм должен принимать решение до того, как все данные станут доступны, но есть и различия. В частности, поточные алгоритмы имеют возможность отложить принятие решение до момента прихода группы точек последовательности данных, в то время как онлайн-алгоритмы должны принимать решения по мере прихода каждой новой точки последовательности.

Если алгоритм является приближённым, то точность ответа является ещё одним показателям. Точность алгоритма часто представляется как величина , означающая то, что алгоритм достигнет ошибки меньше с вероятностью .

Применение[править | править код]

Поточные алгоритмы имеют большое значение в задачах мониторинга и управления компьютерными сетями, например, их средствами возможно оперативное предотвращение переполнений (отслеживание гигантских потоков (англ.), оценка числа и ожидаемой длительности переполнений)[5]. Также поточные алгоритмы могут применяться в базах данных, например, для оценки размера после операции соединения таблиц.

Примеры задач, решаемых поточными алгоритмами[править | править код]

Проблемы с частотным распределением[править | править код]

-ый момент частоты в векторе определяется как .

Первый момент  — это простая сумма частот (то есть, общее число). Второй момент полезен для вычисления статистических параметров данных, например Коэффициент Джини. определяется как частота наиболее часто встречающегося элемента.

Также изучены вопросы оценки моментов частот.

Поиск тяжёлых элементов[править | править код]

Задача состоит в поиске наиболее часто встречающегося элемента в потоке данных. Здесь применяются следующие алгоритмы:

Отслеживание тренда[править | править код]

Отслеживанием тренда в потоке данных обычно производится в следующем порядке: наиболее частые элементы и их частоты определяются на основе одного из вышеперечисленных алгоритмов[уточнить]<--алгоритмов поиска тяжёлых элементов? а если эту секцию перенсут ниже?-->, а затем наибольшее увеличение относительно предыдущего момента времени отмечается как тренд. Для этого используется экспоненциальная скользящая средняя и различная нормировка[6]. Он используется O(ε² + log d) места и O(1) для худщего случая обновления при универсальной хеш-функции из семейства r-умных независимых хеш-функций с r = Ω(log(1/ε)/ log log(1/ε))[уточнить].

Энтропия[править | править код]

Эмпирическая оценка энтропии над набором частот определяется как , где [7].

Машинное обучение[править | править код]

Основная задача онлайнового обучения машин — обучить модель (например, классификатор) за один проход по обучающей выборке; для её решения обычно используются методы предсказательного хеширования (англ.)) и стохастический нисходящий градиент (англ.)).

Подсчёт числа уникальных элементов[править | править код]

Подсчёт числа уникальных элементов в потоке данных (момент ) является ещё одной[уточнить] хорошо изученной проблемой. Первый алгоритм был предложен Флажоле и Мартеном[2]. В 2010 году был найден асимптотически оптимальный алгоритм[8].

Примечания[править | править код]

  1. Munro & Paterson (1980)
  2. 1 2 Flajolet & Martin (1985)
  3. Alon, Matias & Szegedy (1996)
  4. Feigenbaum Joan, Kannan Sampath, McGregor Andrew, Suri Siddharth, Zhang Jian. On graph problems in a semi-streaming model // Theoretical Computer Science. — 2005. — Декабрь (т. 348, № 2-3). — С. 207—216. — ISSN 0304-3975. — doi:10.1016/j.tcs.2005.09.013. [исправить]
  5. J. Xu A Tutorial on Network Data Streaming
  6. Schubert Erich, Weiler Michael, Kriegel Hans-Peter. SigniTrend // Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining - KDD '14. — 2014. — ISBN 9781450329569. — doi:10.1145/2623330.2623740. [исправить]
  7. Оценки энтропии были даны в работах: McGregor и др., Do Ba и др., Lall и др., Chakrabarti и др.[уточнить]
  8. Kane, Daniel M.; Nelson, Jelani; Woodruff, David P. (2010), «An optimal algorithm for the distinct elements problem», Proceedings of the twenty-ninth ACM SIGMOD-SIGACT-SIGART symposium on Principles of database systems, PODS '10, New York, NY, USA: ACM, pp. 41-52, doi:10.1145/1807085.1807094, ISBN 978-1-4503-0033-9.

Литература[править | править код]

Ссылки[править | править код]

Учебники
Курсы