Základní dataAnalytika

Počítání ve velkém pomocí pravděpodobnostních struktur

Unikátní návštěvníci, „už jsme to viděli?“, nejčastější položky a četnosti přes miliardy událostí, každé v malém, pevném množství paměti.

pravděpodobnostní struktury
4
paměť na strukturu
Pevná
meze chyby
Známé
Krok 1 z 5
Unikátní návštěvníci

Přidávejte id návštěvníků do HyperLogLog. Paměť zůstává malá, kolik jich dorazí.

Ukázková relaceplaying
# Unikátní návštěvníci
hotkv> PFADD visitors:2026-10-16 user:42 user:77 user:91
(integer) 1

Animovaný průvodce se skutečnými příkazy HotKV a ukázkovými odpověďmi. Kliknutím na kterýkoli krok na něj přeskočíte. Příkazy a odpovědi zůstávají anglicky, přesně tak, jak je v HotKV zadáváte a vidíte.

Problém

Přesné odpovědi na „kolik unikátních uživatelů“, „poslali jsme už tento e-mail“ nebo „jaká jsou nejčastější hledání“ vyžadují paměť, která roste s každou odlišnou položkou. U miliard událostí to znamená gigabajty množin a čítačů na otázku.

Jak to řeší HotKV

Pravděpodobnostní struktury vyměňují malou, známou chybu za konstantní paměť. HyperLogLog počítá odlišné položky, Bloomovy filtry odpovídají na členství, Top-K sleduje nejčastější položky a Count-min sketche odhadují, jak často se libovolná položka vyskytla. Všechny čtyři jsou zabudované v HotKV.

Krok za krokem

Co se děje, příkaz po příkazu

  1. 01

    Unikátní návštěvníci

    Přidávejte id návštěvníků do HyperLogLog. Paměť zůstává malá, kolik jich dorazí.

    PFADD visitors:2026-10-16 user:42 user:77 user:91
  2. 02

    Kolik?

    Odhad odlišných návštěvníků s malou standardní chybou.

    PFCOUNT visitors:2026-10-16
  3. 03

    Nikdy neposlat dvakrát

    Před odesláním kampaňového e-mailu zkontrolujte, zda tato adresa už e-mail dostala.

    BF.EXISTS sent:campaign:fall ada@example.com
  4. 04

    Nejčastější hledání

    Top-K uchovává nejčastější položky, jak proudí události.

    TOPK.LIST searches:today WITHCOUNT
  5. 05

    Jak často pro libovolnou položku

    Count-min sketch odhaduje počet libovolné položky, uvedené i neuvedené.

    CMS.QUERY pageviews /home /pricing /blog
Kam to zapadá

Scénáře z praxe

Analytika webu a aplikací

Denní a měsíční unikátní uživatelé na stránku nebo funkci, sloučení napříč dny pomocí PFMERGE.

E-maily a oznámení

Bloomovy filtry zabrání duplicitnímu odeslání napříč opakováními a kampaněmi.

Vyhledávání a obchod

Nejčastější dotazy a nejzobrazovanější produkty se sledují živě pro merchandising.

Zabudováno

Co dostanete

HyperLogLog

Počty odlišných položek, slučitelné napříč buckety.

PFADDPFCOUNTPFMERGE

Bloomovy filtry

Členství s nastavitelnou mírou falešně pozitivních výsledků.

BF.RESERVEBF.ADDBF.EXISTS

Top-K

Nejčastější položky v proudu.

TOPK.ADDTOPK.LIST

Count-min sketch

Odhady četnosti pro libovolnou položku.

CMS.INCRBYCMS.QUERY
Reference:PFADDBF.EXISTSTOPK.LISTCMS.QUERY

Časté otázky

Jak jsou přesné?

U Bloomových filtrů nastavujete míru chyb, u Count-min sketchů šířku a hloubku. HyperLogLog má malou, pevnou standardní chybu.

Může Bloomův filtr minout něco, co už viděl?

Ne. Může hlásit falešně pozitivní výsledek, nikdy falešně negativní.

Potřebuji modul?

Ne. Jsou součástí HotKV.

Související případy použití

Analytika

Analytika v reálném čase

Počítejte události, jak se dějí, řaďte to, co je v trendu, a sledujte, které klíče nesou zátěž.

Prozkoumat
Fintech

Detekce podvodů v reálném čase

Skórujte každou platbu přímo v cestě požadavku pomocí čítačů rychlosti, seznamů známých podvodníků, četnosti karet a features modelů, čtených z jednoho serveru.

Prozkoumat
Personalizace

Doporučení v reálném čase

Osobní doporučení na jedno kolo čtení. Uživatelské features, podobné položky podle vektoru a to, co je v trendu, bez toho, co už uživatel viděl.

Prozkoumat

Vyzkoušejte to na své zátěži

HotKV mluví protokolem Redisu, takže na něj můžete nasměrovat stávajícího klienta a spustit tytéž příkazy.

Získat předběžný přístupDalší: Multitenantní SaaS