【ES】学习12-近似聚合

在数据操作中有三个考虑指标：大数据、精确性和实时性。三者难以同时满足。

精确 + 实时

　　数据可以存入单台机器的内存之中，我们可以随心所欲，使用任何想用的算法。结果会 100% 精确，响应会相对快速。

大数据 + 精确

　　传统的 Hadoop。可以处理 PB 级的数据并且为我们提供精确的答案，但它可能需要几周的时间才能为我们提供这个答案。

大数据 + 实时

　　近似算法为我们提供准确但不精确的结果。

Elasticsearch 目前支持两种近似算法（ cardinality 和 percentiles ）。 它们会提供准确但不是 100% 精确的结果。

cardinality度量

提供字段的unique值数量。对应sql

SELECT COUNT(DISTINCT color)
FROM cars

dsl语句

GET /cars/transactions/_search
{
    "size" : ,
    "aggs" : {
        "distinct_colors" : {
            "cardinality" : {
              "field" : "color"
            }
        }
    }
}

精度可以通过precision_threshold调节

GET /cars/transactions/_search
{
    "size" : ,
    "aggs" : {
        "distinct_colors" : {
            "cardinality" : {
              "field" : "color",
              "precision_threshold" :
            }
        }
    }
}

示例会确保当字段唯一值在 100 以内时会得到非常准确的结果。尽管算法是无法保证这点的，但如果基数在阈值以下，几乎总是 100% 正确的。高于阈值的基数会开始节省内存而牺牲准确度，同时也会对度量结果带入误差。

precision_threshold 接受 0–40,000 之间的数字，更大的值还是会被当作 40,000 来处理。

如果想在搜索时加速，可以在索引时提前对字段哈希。

percentiles 百分位数度量(看得不太懂，具体是数值怎么算出来的没看懂)

百分位数展现某以具体百分比下观察到的数值。对发现异常很有用。

GET /website/logs/_search
{
    "size" : ,
    "aggs" : {
        "load_times" : {
            "percentiles" : {
                "field" : "latency"
            }
        },
        "avg_load_time" : {
            "avg" : {
                "field" : "latency"
            }
        }
    }
}

更复杂的例子

GET /website/logs/_search
{
    "size" : ,
    "aggs" : {
        "zones" : {
            "terms" : {
                "field" : "zone"
            },
            "aggs" : {
                "load_times" : {
                    "percentiles" : {
                      "field" : "latency",
                      "percents" : [, 95.0, 99.0]
                    }
                },
                "load_avg" : {
                    "avg" : {
                        "field" : "latency"
                    }
                }
            }
        }
    }
}

查看某个数值属于哪个百分比：percentile_ranks

GET /website/logs/_search
{
    "size" : ,
    "aggs" : {
        "zones" : {
            "terms" : {
                "field" : "zone"
            },
            "aggs" : {
                "load_times" : {
                    "percentile_ranks" : {
                      "field" : "latency",
                      "values" : [, ]
                    }
                }
            }
        }
    }
}

significant_terms 统计在背景流中显著异常的指标。有个很厉害的例子，关于电影推荐的。