首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >ServerFrame::HashMap VS stl::unordered_map-性能探究之旅

ServerFrame::HashMap VS stl::unordered_map-性能探究之旅

原创
作者头像
serena
修改2021-08-03 14:56:09
1.4K0
修改2021-08-03 14:56:09
举报
文章被收录于专栏:社区的朋友们社区的朋友们

作者:池育龙

1. 引言

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。

1.1 好了别的不说了给我结论就好

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.

  1. ServerFrame::HashMap 的哈希算法算出来的哈希值散列度不够,key的长度越长,散列能力越差,性能越差。
  2. 因为冲突处理的缘故,本文所做的几个用例中,极端情况下 ServerFrame::HashMap 的表现比 stl::unordered_map 差100倍;
  3. 哈希算法散列程度足够的时候,ServerFrame::HashMap 的表现比 stl::unordered_map 好。前者的插入效率是后者的10倍,查找效率3倍;
  4. 存储同样的数据,HashMap 耗内存多于 unordered_map;

1.2 show me the code

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))

2.int类型key

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

2.1用例结果

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。

2.2 隐忧:hash算法

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。

3. buffer(32byte)类型

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

3.1用例结果

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!

4. hash 算法比较

4.1 unordered_map

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;
}

4.2 用例设计

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

4.3 用例结果

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:

  • 我们最期望的结果是没有冲突,也就是链表长度为1,仅占比0.265%!
  • 绝大部分的冲突链表长度在100以上, 占了总量的 95%.
  • 最长的链表达到了 5000以上,而且占比 有 0.705%,比我们期望的不冲突的占比还多了3倍。也就是说最差情况的比最好情况多了3倍。

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?

5. 升级HashMap hash算法之后测试

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

  • ServerFrame::HashMap 的插入耗时是 unordered_map 的 1/2;
  • ServerFrame::HashMap 斜率很稳,可见插入耗时比较稳定

6. 结论

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。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1. 引言
    • 1.1 好了别的不说了给我结论就好
      • 1.2 show me the code
      • 2.int类型key
        • 2.1用例结果
          • 2.2 隐忧:hash算法
          • 3. buffer(32byte)类型
            • 3.1用例结果
            • 4. hash 算法比较
              • 4.1 unordered_map
                • 4.2 用例设计
                  • 4.3 用例结果
                  • 5. 升级HashMap hash算法之后测试
                  • 6. 结论
                  相关产品与服务
                  数据库
                  云数据库为企业提供了完善的关系型数据库、非关系型数据库、分析型数据库和数据库生态工具。您可以通过产品选择和组合搭建,轻松实现高可靠、高可用性、高性能等数据库需求。云数据库服务也可大幅减少您的运维工作量,更专注于业务发展,让企业一站式享受数据上云及分布式架构的技术红利!
                  领券
                  问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档