作者:池育龙
突然就对项目中的HashMap有了强烈的好奇心,这个HashMap的实现够高效吗,和 std::unordered_map 的效率比较性能如何? 他们的插入效率、查找效率、空间使用率对比起来是分别是什么样的?也没有找到相关的测评,于是就自己动手,测试了一下,并对一些影响性能的地方修改、验证自己的猜想,最终得到一个比较好的hashmap的实践。整个过程还是比较有意思的,现记录并分享出来。
好吧,大家都很忙,先给一下简要结论,时间紧迫的同学也可以直接跳到文尾查看结论小节.
本文用到的测试代码和测试结果全部在 git.oa.com中,有兴趣的同学可以下载查看。
仓库路径:http://git.code.oa.com/lawrencechi/hashmap-benchmark.git
成文时仓库版本 tag:v2.0
内存: 12G
cpu 2核: i7-6700 CPU 3.40GHz
ServerFrame::HashMap: 编译时预设的容量是 8000万
测试用例:
lawrencechi@lawrencechi-VirtualBox /data/hashmap-benchmark/hashmap-benchmark/build ±master:zap: » ./bm_hashmap.O2
Usage: bm_hashmap.O2 [-n count] -hijklmop
-h: hashmap-int
-i: hashmap-string(32 byte)
-j: unordered-map-int
-k: unordered-map-string
-l: hashmap(32 byte)) idx
-m: hash<string> idx
-o: hashmapplus(32 byte)) idx
-p: hashmapplus-string(32 byte))
项目 | 说明 |
---|---|
key | int,递增: 0~7000万 |
value | value==key |
用例1 | 分别顺序插入8000万条数据,每10万条记录一次耗时 |
用例2 | 搜索部分存在的key,获得每次检索的耗时 |
用例3 | 搜索不存在的key,获得每次检索的耗时 |
执行./bm_hashmap.O2 -n 700 -hj,获得数据,并绘制图表如下(画图数据经过省略,但关键信息还在,下同)
[图: 2.1插入耗时 ]
[ 图:2.1查找耗时 ]
总体来看,两个实现的效率都很高,稳定(斜率不变,意味着单位时间内插入条数没有变化),插入8000万条数据最多只需要4.5s, 在使用 ServerFrame::HashMap插入数据的时候,HashMap甚至能够达到 stl::unordered_map的10倍;当key不存在的时候,HashMap 查找速度也比 unordered_map 快4倍, key 存在的时候,容量少于5000万条时,HashMap 比 unordered_map 快,只有大于5000万时,两者查找的速度才相差不大。
这次测试看起来 HashMap 实现得非常完美,很好地解决了预设需求,插入效率高、查找效率高。虽然耗费的内存多,仅存8000万个int的 HashMap 需要 3.5G 的内存,但现代服务器内存充足,这个缺点似乎是可以忍受的。
除了内存之外,ServerFrame::HashMap 的实现就没有其他的缺点了吗? 很快,我就想到了他的 Hash 函数和冲突处理,决定从这里入手继续分析。
ServerFrame::HashMap 的 hash 算法实现是将 key 的 buffer(sizeof(key)),按照 int 字节累加,并将其结果和哈希表容量进行取余,简单粗暴,而且似乎也符合大道至简的理论。但是仔细想想,这个地方的实现违背了哈希算法的原则:均衡性。一个不够均衡性的算法会导致大量冲突,最终使得HashMap在反复的冲突处理中疲于奔命。
很简单,按照这个算法下面的这些数据算得到的哈希值都是一样的,而且这样的数据可以轻易地构造:
0xFFFFFFFF,
0xFFFFFFFF 00000000
0xFFFFFFFF 00000000 00000000
0xFFFFFFFF 00000000 00000000 00000000
最为对比,我们都知道构造两个拥有同样MD5值的数据是何等的困难。
而且仔细分析一下可以知道 2.1 用例刚好绕过了这个算法的缺陷,取到的key都不会相互冲突! 这时候的测试结果恰恰是最优结果!
如果冲突了会怎么样,测试结果变成怎么样? 在好奇心驱使下,我马上进行 3.1 用例的测试。
项目 | 说明 |
---|---|
key | int,递增: 0~7000万,buffer:snprintf(key,sizeof(key),”%d”,++i); |
value | int,value==i |
用例2 | 分别顺序插入7000万条数据,每10万条记录一次耗时 |
执行./bm_hashmap.O2 -n 700 -ik,获得数据,并绘制图表如下
[图: 3.1插入耗时 ]
从上图可以看到,对于buffer类型的key,性能表现差异很大.
从HashMap的图来看,越到后面斜率越大,说明到后面的时候,插入单位条数的耗时已经急剧增长。这是符合我们的设想的,此时程序在拼命进行冲突处理!
从图中还可以得到一个信息,插入7000万条数据,HashMap的耗时是接近2500秒,也就是41分钟!
至于unordered_map,上图已经分析不出什么东西来,和HashMap比起来,它的变化太缓慢了。我只能抽出来单独分析,图如下:
[ [图:3.1插入耗时-unordered_map ]
unordered_map 斜率几乎不变,可以知道每次插入的耗时是相同的,稳定,插入7000万条数据,耗时25s,HashMap差不多是他的100倍。
从上面的测试结果可知 HashMap 的效率的确是急剧下降,但是这个急剧下降是 Hash 算法引起的吗? 还是需要定量分析!
stl::unordered_map 是C++11引进的,老版本也有,只是没有提供接口出来供外部使用。
恰好手头上有 gcc 4.9.3 的代码,于是一探究竟
//代码片段 ==================
//file:/data/study/gcc/gcc.4.9.3/gcc-4.9.3/libstdc++-v3/libsupc++/hash_bytes.cc +73
size_t _Hash_bytes(const void* ptr, size_t len, size_t seed)
{
const size_t m = 0x5bd1e995;
size_t hash = seed ^ len;
const char* buf = static_cast<const char*>(ptr);
// Mix 4 bytes at a time into the hash.
while(len >= 4)
{
size_t k = unaligned_load(buf);
k *= m;
k ^= k >> 24;
k *= m;
hash *= m;
hash ^= k;
buf += 4;
len -= 4;
}
// Handle the last few bytes of the input array.
switch(len)
{
case 3:
hash ^= static_cast<unsigned char>(buf[2]) << 16;
case 2:
hash ^= static_cast<unsigned char>(buf[1]) << 8;
case 1:
hash ^= static_cast<unsigned char>(buf[0]);
hash *= m;
};
// Do a few final mixes of the hash.
hash ^= hash >> 13;
hash *= m;
hash ^= hash >> 15;
return hash;
}
对于可以转换成 size_t 类型的key,hash提供了几个特化哈希函数,直接返回((size_t)key),上面的哈希函数是buffer类型的哈希函数,传入起始地址,得到哈希值。这个hash算法用了几个魔数,各种位运算得到一个 int32 的值,好吧,此时我已经不知道怎么才能构造两个碰撞数据了。
最为对比,HashMap的hash函数如下:
template <typename KEY_TYPE, typename DATA_TYPE, int NODE_SIZE, typename CMP_FUNC, int HASH_SIZE>
int CHashMap<KEY_TYPE, DATA_TYPE, NODE_SIZE, CMP_FUNC, HASH_SIZE>::HashKeyToIndex(const KEY_TYPE& rstKey, int& riIndex) const
{
size_t uiKeyLength = sizeof(rstKey);
unsigned int uiHashSum = 0;
//目前Hash算法实现比较简单只是将Key值的每个字节的值加起来并对SIZE取模
unsigned int i;
for( i = 0; i < uiKeyLength / sizeof(unsigned int); ++i)
{
unsigned int uiTmp = 0;
memcpy(&uiTmp, ((char*)(&rstKey))+sizeof(uiTmp)*i, sizeof(uiTmp));
uiHashSum += uiTmp;
}
if(uiKeyLength % sizeof(unsigned int) > 0)
{
unsigned char* pByte = (unsigned char*)&rstKey;
pByte += (uiKeyLength - (uiKeyLength % sizeof(unsigned int)));
unsigned int uiTemp = 0;
memcpy((void *)&uiTemp, (const void *)pByte, uiKeyLength%sizeof(unsigned int));
uiHashSum += uiTemp;
}
uiHashSum = (uiHashSum & ((unsigned int)0x7fffffff));
riIndex = (int)(uiHashSum % HASH_SIZE);
return 0;
}
项目 | 说明 |
---|---|
key | int,递增: 0~7000万,buffer:snprintf(key,sizeof(key),”%d”,++i); |
用例1 | 分别用两个hash函数计算上面的7000万个key的哈希值,并统计碰撞次数的数量 |
执行./bm_hashmap.O2 -n 700 -lm,获得数据,并绘制图表如下 碰撞太频繁了,为了可读性,这里对原始数据做了二次统计。统计每一个冲突链表的长度,以及key数量和占比。key数量之和是 7000万,占比之和是100%。
冲突处理链表长度 | key数量 | 占比 |
---|---|---|
1 | 12496 | 0.018% |
2-10 | 185424 | 0.265% |
11-100 | 3457040 | 4.939% |
100-1000 | 31699008 | 45.284% |
1000-2000 | 18560208 | 26.515% |
2000-3000 | 9751504 | 13.931% |
3000-4000 | 4203600 | 6.005% |
4000-5000 | 1637120 | 2.339% |
5000以上 | 493600 | 0.705% |
这个表格就一目了然了:
作为对比,stl::unordered_map 的结果就好看很多了,甚至都不需要进行二次统计、处理:
冲突处理链表长度 | key数量 | 占比 |
---|---|---|
1 | 68867795 | 98.383% |
2 | 1123058 | 1.604% |
3 | 9099 | 0.013% |
4 | 48 |
那么,猜想一下,如果替换掉 ServerFrame::HashMap 的哈希算法,是不是测试的效果就会好很多呢?
开搞,把gcc4.9.3的哈希算法移植到 ServerFrame::HashMap,并放到一个新命名空间中,另存为文件 HashMapPlush.hpp。 重做3.1的测试用例 ./bm_hashmap.O2 -n 700 -lm,获得数据,并绘制图表如下
冲突处理链表长度 | key数量 | 占比 |
---|---|---|
1 | 29174797 | 41.6783% |
2 | 25536674 | 36.4810% |
3 | 11171340 | 15.9591% |
4 | 3256948 | 4.6528% |
5 | 715185 | 1.0217% |
6 | 124962 | 0.1785% |
7 | 17703 | 0.0253% |
8 | 2152 | 0.0031% |
9 | 189 | 0.0003% |
10 | 50 | 0.0001% |
可见升级哈希算法之后,冲突还是存在,但是冲突链表过长的现象已经不存在了,最长的冲突链表长度也只有10。此时可以想象耗时数据肯定好了很多。
[ 图:5.1插入耗时 ]
可见,调整较小,但是效果比较明显
从上面的实验可以看出,影响 HashMap 效率的主要是 哈希算法 和 内存分配算法,在哈希算法足够散列的情况下,预分配方式的效率更高。
空间换时间的策略是对的,两个影响因素,另个不够好的时候,靠空间得到的优势反而会损失;
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。