Web- und App-Analysen
Tägliche und monatliche eindeutige Benutzer pro Seite oder Feature, mit PFMERGE über Tage hinweg zusammengeführt.
KerndatenAnalytics
Zählen im großen Maßstab
Eindeutige Besucher, "Haben wir das schon gesehen?", Top-Elemente und Häufigkeiten über Milliarden Ereignisse, jeweils mit einer kleinen, festen Speichermenge.
- probabilistische Strukturen
- 4
- Speicher pro Struktur
- Fester
- Fehlergrenzen
- Bekannte
Schritt 1 von 5
Eindeutige Besucher
Fügen Sie Besucher-IDs zu einem HyperLogLog hinzu. Der Speicher bleibt klein, egal wie viele eintreffen.
Beispielsitzungplaying
# Eindeutige Besucher
hotkv> PFADD visitors:2026-10-16 user:42 user:77 user:91
(integer) 1
Ein animierter Durchlauf mit echten HotKV-Befehlen und Beispielantworten. Klicken Sie auf einen Schritt, um direkt dorthin zu springen. Befehle und Antworten bleiben auf Englisch, genau so, wie Sie sie in HotKV eingeben und sehen.
Das Problem
Exakte Antworten auf "Wie viele eindeutige Benutzer?", "Haben wir diese E-Mail schon einmal gesendet?" oder "Was sind die häufigsten Suchanfragen?" brauchen Speicher, der mit jedem unterschiedlichen Element wächst. Bei Milliarden Ereignissen werden daraus Gigabytes an Sets und Zählern pro Frage.
So löst HotKV es
Probabilistische Strukturen tauschen einen kleinen, bekannten Fehler gegen konstanten Speicher. HyperLogLog zählt unterschiedliche Elemente, Bloom-Filter beantworten Mitgliedschaftsfragen, Top-K verfolgt die häufigsten Elemente, und Count-min-Sketches schätzen, wie oft ein beliebiges Element vorkam. Alle vier sind in HotKV integriert.
Schritt für Schritt
Was passiert, Befehl für Befehl
- 01
Eindeutige Besucher
Fügen Sie Besucher-IDs zu einem HyperLogLog hinzu. Der Speicher bleibt klein, egal wie viele eintreffen.
PFADD visitors:2026-10-16 user:42 user:77 user:91 - 02
Wie viele?
Eine Schätzung der unterschiedlichen Besucher mit kleinem Standardfehler.
PFCOUNT visitors:2026-10-16 - 03
Nie doppelt senden
Prüfen Sie vor dem Versand einer Kampagnen-E-Mail, ob diese Adresse sie bereits bekommen hat.
BF.EXISTS sent:campaign:fall ada@example.com - 04
Häufigste Suchanfragen
Top-K hält die häufigsten Elemente, während Ereignisse einströmen.
TOPK.LIST searches:today WITHCOUNT - 05
Wie oft bei jedem Element
Ein Count-min-Sketch schätzt die Anzahl jedes Elements, ob aufgelistet oder nicht.
CMS.QUERY pageviews /home /pricing /blog
Wo es passt
Szenarien aus der Praxis
E-Mail und Benachrichtigungen
Bloom-Filter verhindern doppelte Sendungen über Wiederholungsversuche und Kampagnen hinweg.
Suche und Handel
Häufigste Suchanfragen und meistgesehene Produkte werden live für das Merchandising verfolgt.
Integriert
Was Sie bekommen
HyperLogLog
Zählungen unterschiedlicher Elemente, über Buckets hinweg zusammenführbar.
PFADDPFCOUNTPFMERGEBloom-Filter
Mitgliedschaft mit konfigurierbarer Falsch-positiv-Rate.
BF.RESERVEBF.ADDBF.EXISTSTop-K
Die häufigsten Elemente in einem Stream.
TOPK.ADDTOPK.LISTCount-min-Sketch
Häufigkeitsschätzungen für jedes Element.
CMS.INCRBYCMS.QUERYHäufige Fragen
Wie genau sind sie?
Bei Bloom-Filtern legen Sie die Fehlerrate fest, bei Count-min-Sketches Breite und Tiefe. HyperLogLog hat einen kleinen, festen Standardfehler.
Kann ein Bloom-Filter etwas übersehen, das er gesehen hat?
Nein. Er kann ein falsch positives Ergebnis melden, nie ein falsch negatives.
Brauche ich ein Modul?
Nein. Sie sind Teil von HotKV.
Verwandte Anwendungsfälle
Probieren Sie es mit Ihrer eigenen Workload
HotKV spricht das Redis-Protokoll, sodass Sie einen bestehenden Client darauf richten und genau diese Befehle ausführen können.