100行代码的压缩前缀树: 50% smaller

drdrxp

发布于 2022-04-28 13:13:58

5520

文章被收录于专栏：分布式研究小院分布式研究小院

本文链接: https://blog.openacid.com/algo/succinctset

这文介绍一个压缩前缀树实现的sorted set(github: https://github.com/openacid/succinct/tree/loc100 ), 区区95行代码, 包含了一组完整的功能:

用前缀树存储一个排序数组, 去掉指针, 压缩掉50%的空间; 例如在本文的例子中, 存储2.4MB的200万个单词, 只需要1.2MB.
创建: 从key列表创建一个压缩的前缀树;
查询: 支持Has() 操作来查询1个key是否存在;
优化: 通过索引来加速 bitmap 的操作, 将较大的 bitmap 操作优化到O(1)的时间开销.

loc100 分支是本文中使用的最简实现, 没有任何外部依赖, main分支中的实现面向生产环境, 要快4倍左右.

如果要生产环境使用, 移步 slim.

用20万个网上词汇来测试本文实现的succinctSet:

succinctSet 空间开销是源数据的 57%.
Has() 开销为 350 ns.

原始数据大小: 2204 KB

跟 string 数组的 bsearch, 以及 google btree 的对比:

Data	Engine	Size(KB)	Size/original	ns/op
200kweb2	bsearch	5890	267%	229
200kweb2	succinct.Set	1258	57%	356
200kweb2	btree	12191	553%	483

场景和问题

计算机中的信息, 为了查询方便, 几乎都是排序存储的(即使是hash结构, hash map 中的 hash 值也是顺序存储的).

数据存储领域, 大部分数据也都是静态的, 例如数据库底层的一个page, rocksdb的一个sstable. 数据越来越大后对存储空间的开销也越来越敏感, 毕竟影响性能的主要瓶颈都在IO上, 不论是CPU对主存的访问延迟, 还是内存到磁盘的延迟, 每2层之间的IO延迟, 基本都在1~2个量级左右. 于是更小的存储开销, 不仅节省存储成本, 另一个bonus是几乎毫无疑问的会提升性能,

本文针对这一个广泛使用的场景: 静态排序数据, 提供一个通用的实现方法来压缩空间开销.

生产环境中使用的算法, 和本文介绍的方法同源, 但包括更多的优化, 例如通过SIMD指令一次处理多个字节的比较, 用bitmap来优化labels的存储, 对只有一个出向label的节点的合并优化等.

思路: 前缀树

前缀树, 或字典树, prefix tree, trie, 是解决这类问题的一个典型思路. 例如要存储5个key: [ab, abc, abcd, axy, buv] 可以建立下面这样一个前缀树, 省去大量重复的前缀, 其中^ 是root节点(也记做0), 1, 2, 3…是trie节点, $标记一个叶子节点, 字母a, b... 表示一个节点到下级节点的边(labeled branch):

但是! 在 trie 的实现中, 就像一般的树形结构实现一样, 需要大量的指针, 每个 label 到其指向的节点需要占用一个指针. 在64位系统中一个指针就要占8字节, 整个 trie 中指针数量至少也是叶子节点的数量.

如果要存储的字符串长度比较短, 很可能编码成 trie 之后, 因为指针开销, 要占用更大空间. 即使是存储较长的字符串, 大部分场合指针的开销也无法忽略不计.

于是对于这类key集合确定的场景(例如rocksdb中的sstable, 就是典型的静态排序key的存储), 使用压缩的前缀树是一种更简洁有效的方式来去掉指针开销.

前缀树的压缩算法

在这个前缀树中, 每个节点至多有256个出向label, 指向下一级节点. 一个节点可以是inner节点, 例如root节点^, 或1, 2, 3. 也可以是叶子节点, 例如3, 6, 9. 这里3既是一个inner节点也是一个leaf节点.

要压缩这个 trie, 对每个 trie 节点, 我们需要的最核心的信息是:

一个节点的分支(label)都有哪些,
以及label指向的节点的位置.

我们有以下这种紧凑的结构来描述这个 trie:

一个 trie 节点的出向 label 都存储在一个[]byte中, 再用一个 bitmap 来描述每个节点的分支, 后面通过这个 bitmap 来定位 label 对应的节点.

先把每个节点对应的 label 列出来, 并为每个 label 分配一个bit 0 来标记:

然后将所有的label保存在一个[]byte中, 再将对应的标记label的多个0...用1做分隔符连接到一起: 这2块信息是 succinctSet 核心的2个字段, 有了这2部分数据就可以实现(不算高效的)key查找:

压缩后的查询

在标准的 trie 中查找一个 key 很简单, 在第L层的一个节点上, 查找key[L]的byte是否是 trie 节点的一个出向 label, 如果是, 走到下一个节点, 否则终止.

例如对axy的查找, 要经历3次查找, ^ -a-> ① -x-> ④ -y-> ⑦ $:

在 succinctSet 中的查找也是一样, 唯一不同的是如何在这个没有指针的结构中找到某个出向 label 对应的子节点.

我们把 trie 原来的 label 到子节点的关系, 在压缩后的结构中画出来, 端详端详:

从上图可以看出,

除了根节点^, 每个节点都有一个0与之对应(节点入向 label 对应位置的0). 图中上下箭头, 是 label 到节点的关系, 也就是每个0跟它指向的子节点的对应关系.
每个节点也都有一个1与之一一对应, 也就是每个节点都有一个结束标记1.

例如:

bitmap 中第0个0对应节点1:bx, 第1个0对应节点2:u…
同理节点与1的关系也类似, 第0个1对应root节点^, 0:ab, 第1个1对应节点1:bx, 第2个1对应节点2:u…

你品, 你细品…

品完后发现, 要找到某个 label 指向的节点, 只需要先数数这个 label 对应第几个0, 例如是第i个0, 再找到bitmap中的第i个1, 第i个1后面就是 label 对应的节点位置了.

这就是在压缩前缀树中逐层定位节点的算法.

举个栗子 🌰

假设从根节点开始, 要查找的key是axy,

首先在根节点 0:ab 中找到label a,
label a 对应第0个0, 然后找到第0个1的位置, 也就是1:bx节点.
再在1:bx 节点的 label 中找到 label x, 对应第3个0, 再找到第3个1的位置, 也就是4:y 的节点.
在4:y中找到 label y, 对应第7个0, 再找到第7个1, 也就是7:ø的节点.
节点7没有任何 label, 结束.

在 succinctSet 数据结构中画出 axy 的查询过程如下:

维护 leaf 节点

上面介绍的查询算法还有一个问题, 就是当某些key是其他key的前缀时, 它对应的节点既是inner节点, 也是leaf节点, 这时无法通过 label 的不匹配结束查询. 例如 abc 对应的节点 6:d, 它本身有一个出向分支d, 是一个inner节点, 同时也是一个leaf节点.

所以我们还需要额外的信息来标识所有的 leaf 节点: 再建立一个 leaves 的 bitmap, 它的第i个bit为1, 表示node-id为i的节点是leaf节点:

leaves 的检查在查询的最后一步, 如果一个要查询的 key 匹配到一个trie中的节点, 最后再检查它是否是一个 leaf 节点.

优化 bitmap 操作

这个算法中最后还有一个问题没有解决: 我们提到从 label 定位 node 的过程是: 找到一个 label 之前的0的个数i, 再找到第i个的1的位置. 这2个操作都是O(n)的, 要遍历 bitmap, 最终会导致一次查询的时间效率变成O(n²).

为了能让查询提升效率, 我们需要建立2份额外的信息来优化这2个操作.

第一个是找出一个 bitmap 中第i个bit之前有多少个1(或多少个0). 对定长整数, 例如一个uint64, 它的有O(1)的实现, 例如

在cpp里叫做 popcount, i.e., count of population of ones;
在go里面它被封装在bits.OnesCount64()这个函数, 数数一个uint64里有多少个1;
一般的, 叫做rank1(i), 如果要计算一个bitmap里有多少个0, 则是rank0(i).

第二个, 要得到第i个1的位置的操作, 叫做select1(i).

我们现在需要为 rank1() 和 select1() 分别建立缓存:

rank

建立一个数组rank []int32: ranks[i] 记录 bitmap 中前 i*64 个bit中的1的数量. 这样要计算 rank(i) 就只需要取 ranks[i/64], 再用一个O(1)的函数调用(如bits.OnesCount64())计算 bitmap[i:i % 64] 中的1的个数.

例如 bitmap 中第0个 uint64 有25个1, 第1个 uint64 有11个1, 那么建立的 ranks 索引如下: [0, 25, 36]

select

select索引也是一个[]int32: select[i] 记录第i*32个1在bitmap中哪个位置.

例如第0个1在第1个bit, 第32个1在第67个bit, 第64个1出现在第126个bit, 那么 selects 的索引就是:[1, 67, 126]:

代码实现

Set 结构定义

有了 ranks 的索引, 找出第i个bit之前的1(或0)的数量就可以确定用O(1)时间完成; 而 select 索引, 可以尽可能让找出第i个1的开销趋近于O(1); 因为 selects 的2条索引之间可能跨越几个uint64, 取决于 bitmap 中1的分布.

这样, 整个 succinctSet 的数据结构就完整了:

我们接下来看看完整的代码逻辑:

创建 Set

依旧以 keys = [ab, abc, abcd, axy, buv] 为例, 来描述 Set 的建立,

先扫描所有 keys 的第1列, 找到root节点^的出向分支, 有2个label: a, b 同时把整个keys列表按照前缀为a和前缀为b拆分成2部分, 顺次放到队列尾部等待处理.
第2步, 从队列中拿出要处理的第2部分: 前缀为a的keys, 扫描这些 keys 的第2列, 找到节点1的出向label: b, x 再次把前缀为a的集合拆分为前缀为ab的集合和前缀为ax的集合, 顺次放到队列尾部等待处理.
第3步, 扫描前缀为b的key集合的第2列, 找到1个出向label u, 把所有前缀为bu的key放到队列尾部等待处理.

最后直到所有队列中的元素都处理完, trie 就建立完成. 最后再通过init()给建好的trie做 rank 和 select 的索引.

扫描前缀的过程, 也就是建立 trie 节点的顺序, 按照node-id标识如下:

查询

trie的查询过程也很简单: 在要查询的key中取出一个byte, 看它是否在当前节点的 label 中, 如果不在, 就可以确认 key 不在 succinctSet 中. 如果在, 通过之前提到的select1(rank0(i))的方法走到下一个节点, 继续以上步骤.

当 key 中所有 byte 都检查完后, 看最后是否停在一个 leaf 节点, 最终确认是否匹配到一个在Set中存在的key.

bitmap 的索引

上面我们提到, 从 label 定位节点的过程主要依赖于计算 bitmap 的2个操作: 计算指定位置前有几个1: rank0(i), 以及找出第i个1的位置: select1(i).

go里面提供了 uint64 的rank操作, bits.OnesCount64() 可以在O(1)的时间内返回一个 uint64 中被置为1的bit数. 我们用它来给 bitmap 中每个 unit64 提前计算好前面有几个1, 这样在使用的时候只需要再处理最后一个uint64就可以了.

select的索引直接逐个计数1的个数, 然后在个数满32整数倍时添加一条索引.

当我们要利用索引取第i个bit前有几个0时, 通过rank0(i) = i - rank1(i) 来计算:

在查找第i个1所在位置时, 我们先通过 selects 索引找到一个最接近的 uint64, 再向后逐个查找直到见到第i个1. 这一步的性能不是严格的O(1):

性能分析

我们用网上搜集到的数据集做了下测试. 测试中使用的负载模型都是 zipf 比较符合互联网的真实场景, zipf 的参数 s 取 1.5, 细节参考 report 的代码, 结果如下:

20万个网上词汇: 原始数据大小: 2204 KB 跟 string 数组的 bsearch, 以及 google btree 的对比: DataEngineSize(KB)Size/originalns/op200kweb2bsearch5890267%229200kweb2succinct.Set125857%356200kweb2btree12191553%483
- succinctSet 空间开销是源数据的 57%.
- Has() 开销为 350 ns.
87万个某站提供的 ipv4 列表: 原始数据大小: 6823 KB DataEngineSize(KB)Size/originalns/op870k_ip4_hexbsearch17057500%276870k_ip4_hexsuccinct.Set231667%496870k_ip4_hexbtree403881183%577
- succinctSet 空间开销是源数据的 67%.
- Has() 开销为 528 ns.

可以看出在内存方面:

succinctSet 对内存开销优势明显, 不仅容量没有额外增加, 还少很多.
go中的string有2个字段: 到string内容的指针, 以及一个length, 所以每条记录开销会多16字节.
btree 内部因为还有interface, 额外存储开销更大.

对查询性能:

短字符串查询二分查找性能最好, 一个字符串读取一次差不多都能缓存在L1 cache里, 对主存的访问应该非常趋近于lg₂(n).
succinctSet 因为每个字符串的每个字符都被分散存储了, 以及ranks和selects的访问也是跳跃的, 在一个key的查询中要访问多个位置. 所以对缓存的友好不如数组.
btree的时间开销更大, 可能由于间接访问比较多, 导致btree的优势没有发挥出来.

github: https://github.com/openacid/succinct/tree/loc100

Reference: