首页
/ Parallel Hashmap在大规模数据集中的性能优化实践

Parallel Hashmap在大规模数据集中的性能优化实践

2025-06-27 13:56:40作者:冯梦姬Eddie

背景介绍

在使用Parallel Hashmap(phmap)实现LSH Forest数据结构时,遇到了处理超大规模数据集(8600万条2048维向量)的挑战。由于数据量远超内存容量,需要将哈希表分割存储到多个约6GB的文件中,并寻求更高效的序列化/反序列化方案。

技术挑战分析

项目中使用的哈希表类型为phmap::flat_hash_map<std::vector<uint8_t>, std::vector<uint32_t>>,这种结构存在两个主要性能瓶颈:

  1. 数据类型限制:标准库的std::vector不是可平凡复制(trivially_copyable)类型,无法直接使用phmap内置的高效序列化功能
  2. 文件IO性能:每个文件的加载时间约4秒,对于需要频繁访问的场景来说性能不足

解决方案探索

方案一:改用std::array

仓库作者建议如果键值大小固定,可使用std::array替代std::vectorstd::array是可平凡复制类型,能够利用phmap内置的phmap_dump功能实现高效序列化。

但实际场景中:

  • 值部分存储的是动态变化的索引数据,必须使用动态容器
  • 键部分虽然原始数据维度固定(2048),但经过哈希处理后大小会变化

方案二:自定义二进制存储

最终采用的解决方案是绕过序列化框架,直接实现自定义的二进制文件存储:

  1. 将哈希表内容手动写入二进制文件
  2. 运行时直接加载二进制数据
  3. 完全避免了序列化/反序列化开销

这种方案显著提升了IO性能,特别适合以下场景:

  • 数据结构稳定,不频繁变更
  • 需要极致的加载速度
  • 数据量远超内存容量

技术启示

  1. 容器选择:在性能敏感场景中,固定大小容器(std::array)比动态容器(std::vector)有优势
  2. 序列化权衡:通用序列化框架虽然方便,但特定场景下手写二进制IO可能更高效
  3. 内存管理:处理超大数据集时,分块存储和按需加载是必要策略

总结

通过这次优化实践,我们认识到在超大规模数据处理中,需要根据具体场景灵活选择技术方案。Parallel Hashmap提供了优秀的性能基础,但在极端场景下,结合自定义存储方案才能发挥最大效能。这也体现了系统设计中"没有银弹"的原则,需要根据实际需求做出合理权衡。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8