分布式系统的近似统计算法

分布式系统的近似统计算法.png

min 聚合分析的执行流程

• 这个分析的结果是准确的；

  
  min 聚合分析的执行流程.png

Terms Aggregation | 返回参数中的 2 个特殊值

• doc_count_error_upper_bound：被遗漏的分桶中可能包含的文档数的最大数；
• sum_other_doc_count：除了返回结果中的 Bucket 中的文档以外，其他文档的数量（索引中总文档数 - 桶中返回的文档数）；

Terms Aggregation | 执行流程

• 返回分桶中文档数最大的 3 个分桶；

• 结果不一定准确；

  
  Terms 聚合分析执行流程.png

Terms 聚合不正确的案例

Terms 聚合不正确的案例.png

• 文档数最多的 3 个桶应该是 A，B，D，但是 Terms 聚合的结果是 A，B，C；

doc_count_error_upper_bound | 举例分析

• 左边的分片中，选出来的文档数最大的 3 个桶中的文档数分别是：6, 4, 4，那么遗漏的文档数最大可能就是 4；
• 右边的分片中，选出来的文档数最大的 3 个桶中的文档数分别是：6, 3, 2，那么遗漏的文档数最大可能就是 2（图中有错）；

sum_other_doc_count | 举例分析

• 索引中全部文档数 - 返回的 3 个桶中的文档总数，29 - 22 = 7；

解决 Terms 聚合不准的问题 | 提升 shard_size 的参数

Terms 聚合分析不准的原因

• 数据分散在多个分片上，Coordinating Node 无法获取数据的全貌；

解决方案 | 1

• 当数据量不大时，设置 Primary Shard 数为 1，实现准确性；

解决方案 | 2

• 当数据分布在多个 Primary Shard 上时，设置 shard_size 参数，提升准确性，其原理是：每次从 Shard 上额外多获取数据，提升准确率；

参数 | shard_size | 设定

通过调大 shard_size 的大小，使得 doc_count_error_upper_bound 的值降低，从而提升准确度，其原理是：增加整体计算量，提高精准度的同时会降低响应时间；

shard_size 默认大小

• shard_size = size * 1.5 + 10