Java On-Memory 高效键值存储

Question

我存储了 1.11 亿个键值对（一个键可以有多个值 - 最大 2/3），其键是 50 位整数，值是 32 位（最大）整数。现在，我的要求是：

1. 快速插入（键、值）对[允许重复]
2. 基于键快速检索值。

基于 MultiMap 的here 给出了一个很好的解决方案。但是，我想在主内存中存储更多的键值对，而没有/很少的性能损失。我从网络文章中研究了 B+ 树、R+ 树、B 树、紧凑型多重映射等可以是一个很好的解决方案。谁能帮帮我：

是否有任何 Java 库可以正确满足我的所有这些需求 （上述/其他 ds 也可以接受。没问题）？ 实际上，我想要一个高效的 java 库数据结构来存储/检索 键值/值对占用更少的内存并且必须是 内置内存。

注意：我尝试过 Louis Wasserman、京都/东京内阁等提到的 HashMultiMap（Guava 对 trove 进行了一些修改）。我对磁盘烘焙解决方案的经验并不好。所以请避免这种情况:)。另一点是，对于选择库/ds，一个重要的一点是：密钥是 50 位（所以如果我们分配 64 位）14 位将丢失，值是 32 位 Int（最大值） - 大多数是 10-12-14 位。所以，我们也可以在那里节省空间。

Answer 1

是否有任何 Java 库可以很好地满足我的所有这些需求。

AFAIK 没有。或者至少，没有一个可以最大限度地减少内存占用。

但是，编写一个专门满足这些要求的自定义地图类应该很容易。

Answer 2

寻找数据库是个好主意，因为这类问题正是它们的设计目标。近年来 Key-Value 数据库变得非常流行，例如对于 Web 服务（关键字“NoSQL”），所以你应该找到一些东西。

自定义数据结构的选择还取决于您是要使用硬盘驱动器存储数据（以及它的安全性）还是在程序退出时完全丢失。

如果手动实现并且整个数据库很容易放入内存中，我只需在 C 中实现一个哈希映射。创建一个哈希函数，从一个值中给出一个（良好分布的）内存地址。如果已经分配，​​则插入那里或旁边。然后分配和检索是 O(1)。如果你在 Java 中实现它，每个（原始）对象都会有 4 字节的开销。

Answer 3

如果你必须使用 Java，那么实现你自己的 hashtable/hashmap。表的一个重要属性是使用链表来处理冲突。因此，当您进行查找时，您可能会返回列表中的所有元素。

Answer 4

我认为 JDK 中没有任何东西可以做到这一点。

然而，实现这样的事情是一个简单的编程问题。这是一个带有线性探测的开放寻址哈希表，其键和值存储在并行数组中：

public class LongIntParallelHashMultimap {

    private static final long NULL = 0L;

    private final long[] keys;
    private final int[] values;
    private int size;

    public LongIntParallelHashMultimap(int capacity) {
        keys = new long[capacity];
        values = new int[capacity];
    }

    public void put(long key, int value) {
        if (key == NULL) throw new IllegalArgumentException("key cannot be " + NULL);
        if (size == keys.length) throw new IllegalStateException("map is full");

        int index = indexFor(key);
        while (keys[index] != NULL) {
            index = successor(index);
        }
        keys[index] = key;
        values[index] = value;
        ++size;
    }

    public int[] get(long key) {
        if (key == NULL) throw new IllegalArgumentException("key cannot be " + NULL);

        int index = indexFor(key);
        int count = countHits(key, index);

        int[] hits = new int[count];
        int hitIndex = 0;

        while (keys[index] != NULL) {
            if (keys[index] == key) {
                hits[hitIndex] = values[index];
                ++hitIndex;
            }
            index = successor(index);
        }

        return hits;
    }

    private int countHits(long key, int index) {
        int numHits = 0;
        while (keys[index] != NULL) {
            if (keys[index] == key) ++numHits;
            index = successor(index);
        }
        return numHits;
    }

    private int indexFor(long key) {
        // the hashing constant is (the golden ratio * Long.MAX_VALUE) + 1
        // see The Art of Computer Programming, section 6.4
        // the constant has two important properties:
        // (1) it is coprime with 2^64, so multiplication by it is a bijective function, and does not generate collisions in the hash
        // (2) it has a 1 in the bottom bit, so it does not add zeroes in the bottom bits of the hash, and does not generate (gratuitous) collisions in the index
        long hash = key * 5700357409661598721L;
        return Math.abs((int) (hash % keys.length));
    }

    private int successor(int index) {
        return (index + 1) % keys.length;
    }

    public int size() {
        return size;
    }

}

请注意，这是一个固定大小的结构。您需要创建足够大的数据来保存所有数据——我的 1.1 亿个条目占用了 1.32 GB。你做得越大，超出存储数据所需的容量，插入和查找的速度就越快。我发现对于 1.1 亿个条目，负载因子为 0.5（2.64 GB，所需空间的两倍），查找密钥平均需要 403 纳秒，但负载因子为 0.75（1.76 GB，比所需空间多三分之一），花费了 575 纳秒。将负载因子降低到 0.5 以下通常不会产生太大影响，实际上，负载因子为 0.33（4.00 GB，比所需空间多三倍），我得到的平均时间为 394 纳秒。因此，即使您有 5 GB 可用空间，也不要全部使用。

还要注意，零不允许作为键。如果这是一个问题，请将 null 值更改为其他值，并在创建时使用该值预填充 keys 数组。

Answer 5

基于@Tom Andersons 解决方案，我不再需要分配对象，并添加了性能测试。

import java.util.Arrays;
import java.util.Random;

public class LongIntParallelHashMultimap {
    private static final long NULL = Long.MIN_VALUE;

    private final long[] keys;
    private final int[] values;
    private int size;

    public LongIntParallelHashMultimap(int capacity) {
        keys = new long[capacity];
        values = new int[capacity];
        Arrays.fill(keys, NULL);
    }

    public void put(long key, int value) {
        if (key == NULL) throw new IllegalArgumentException("key cannot be " + NULL);
        if (size == keys.length) throw new IllegalStateException("map is full");

        int index = indexFor(key);
        while (keys[index] != NULL) {
            index = successor(index);
        }
        keys[index] = key;
        values[index] = value;
        ++size;
    }

    public int get(long key, int[] hits) {
        if (key == NULL) throw new IllegalArgumentException("key cannot be " + NULL);

        int index = indexFor(key);

        int hitIndex = 0;

        while (keys[index] != NULL) {
            if (keys[index] == key) {
                hits[hitIndex] = values[index];
                ++hitIndex;
                if (hitIndex == hits.length)
                    break;
            }
            index = successor(index);
        }

        return hitIndex;
    }

    private int indexFor(long key) {
        return Math.abs((int) (key % keys.length));
    }

    private int successor(int index) {
        index++;
        return index >= keys.length ? index - keys.length : index;
    }

    public int size() {
        return size;
    }

    public static class PerfTest {
        public static void main(String... args) {
            int values = 110* 1000 * 1000;
            long start0 = System.nanoTime();
            long[] keysValues = generateKeys(values);

            LongIntParallelHashMultimap map = new LongIntParallelHashMultimap(222222227);
            long start = System.nanoTime();
            addKeyValues(values, keysValues, map);
            long mid = System.nanoTime();
            int sum = lookUpKeyValues(values, keysValues, map);
            long time = System.nanoTime();
            System.out.printf("Generated %.1f M keys/s, Added %.1f M/s and looked up %.1f M/s%n",
                    values * 1e3 / (start - start0), values * 1e3 / (mid - start), values * 1e3 / (time - mid));
            System.out.println("Expected " + values + " got " + sum);
        }

        private static long[] generateKeys(int values) {
            Random rand = new Random();
            long[] keysValues = new long[values];
            for (int i = 0; i < values; i++)
                keysValues[i] = rand.nextLong();
            return keysValues;
        }

        private static void addKeyValues(int values, long[] keysValues, LongIntParallelHashMultimap map) {
            for (int i = 0; i < values; i++) {
                map.put(keysValues[i], i);
            }
            assert map.size() == values;
        }

        private static int lookUpKeyValues(int values, long[] keysValues, LongIntParallelHashMultimap map) {
            int[] found = new int[8];
            int sum = 0;
            for (int i = 0; i < values; i++) {
                sum += map.get(keysValues[i], found);
            }
            return sum;
        }
    }
}

打印

Generated 34.8 M keys/s, Added 11.1 M/s and looked up 7.6 M/s

在带有 Java 7 更新 3 的 3.8 GHz i7 上运行。

这比之前的测试慢得多，因为您正在访问主内存，而不是随机访问缓存。这真的是对你记忆速度的考验。写入速度更快，因为它们可以异步执行到主内存。

---

使用这个集合

final SetMultimap<Long, Integer> map = Multimaps.newSetMultimap(
        TDecorators.wrap(new TLongObjectHashMap<Collection<Integer>>()),
        new Supplier<Set<Integer>>() {
            public Set<Integer> get() {
                return TDecorators.wrap(new TIntHashSet());
            }
        });

使用 5000 万个条目（大约使用 16 GB）和-mx20g 运行相同的测试，我得到以下结果。

 Generated 47.2 M keys/s, Added 0.5 M/s and looked up 0.7 M/s

对于 1.1 亿个条目，您需要大约 35 GB 的内存和一台比我的 (3.8 GHz) 快 10 倍的机器才能每秒执行 500 万次添加。

Answer 6

可能我回答这个问题迟了，但弹性搜索会解决你的问题。