我有约300个文本文件,其中包含有关跟踪器,种子和同伴的数据。每个文件的组织方式如下:

tracker.txt

time torrent
    time peer
    time peer
    ...
time torrent
...

每个跟踪器我有几个文件,并且重复了很多信息(相同的信息,不同的时间)。

我希望能够分析我所拥有的并报告诸如此类的统计信息
  • 每个跟踪器多少洪流
  • 上列出了多少个洪流
    激流有多少同龄人有
  • 有多少与他人同行的种子有

  • 庞大的数据量使我很难。这是我尝试过的。

    MySQL

    我把所有东西都放进数据库了;每个实体类型一个表和一个用于保存关系的表(例如,该种子在此跟踪器上)。

    将信息添加到数据库很慢(尝试此操作时我没有13GB的信息),但是事后分析这些关系是行不通的。每个轻度复杂的查询都需要24小时才能完成(如果有的话)。

    查询示例为:
    SELECT COUNT(DISTINCT torrent)
        FROM TorrentAtPeer, Peer
        WHERE TorrentAtPeer.peer = Peer.id
        GROUP BY Peer.ip;
    

    我尝试增加my.cnf文件中的内存分配,但似乎没有帮助。我使用了my-innodb-heavy-4G.cnf设置文件。

    编辑:添加表详细信息

    这是我正在使用的:
    Peer         Torrent                  Tracker
    -----------  -----------------------  ------------------
    id (bigint)  id (bigint)              id (bigint)
    ip* (int)    infohash* (varchar(40))  url (varchar(255))
    port (int)
    
    TorrentAtPeer      TorrentAtTracker
    -----------------  ----------------
    id (bigint)        id (bigint)
    torrent* (bigint)  torrent* (bigint)
    peer* (bigint)     tracker* (bigint)
    time (int)         time (int)
    
    *indexed field. Navicat reports them as being of normal type and Btree method.
    id - Always the primary key
    

    没有外键。我对仅使用与现有实体相对应的ID的能力充满信心,添加外键检查似乎是不必要的延迟。这天真吗?

    Matlab

    这似乎是一个为繁重工作而设计的应用程序,但是我无法分配足够的内存来一次性容纳所有数据。

    我没有数值数据,所以我使用的是单元格数组,因此我尝试着从这些数组转移到尝试减少占用空间的方法。我无法正常工作。

    Java

    迄今为止我最成功的尝试。我找到了Limewire员工提供的Patricia Tries的实现。使用此方法,我可以读取数据并计算我拥有多少个唯一实体:
  • 13个跟踪器
  • 170万种子
  • 3200万个同行

  • 我仍然发现很难计算出同行中激流的频率。我正在尝试通过建立这样的尝试来做到这一点:
    Trie<String, Trie<String, Object>> peers = new Trie<String, Trie<String, Object>>(...);
    for (String line : file) {
        if (containsTorrent(line)) {
            infohash = getInfohash(line);
        }
        else if (containsPeer(line)) {
            Trie<String, Object> torrents = peers.get(getPeer(line));
            torrents.put(infohash, null);
        }
    }
    

    从到目前为止的能力来看,如果我可以构建这个peers trie,那么我可以轻松地找出每个对等端有多少种子。我昨天全部运行了,当我回来时,我注意到该日志文件没有被写入,我对应用程序进行^Z编码,并且time报告了以下内容:
    real 565m41.479s
    user 0m0.001s
    sys  0m0.019s
    

    这在我看来不对,用户和sys是否应该这么低?我应该提到的是,我还将JVM的堆大小增加到了7GB(最大和开始),而没有这样,我很快就会遇到内存不足的错误。

    我不介意等待数小时/天,但看起来大约10个小时后事情就停了下来。

    我想我的问题是,我该如何分析这些数据?我尝试过的东西正确吗?有什么我想念的吗? Java解决方案似乎是迄今为止最好的,我可以做些什么来使其正常工作吗?

    最佳答案

    我会尝试另一种MySQL,但是使用不同的模式:

  • 不要在此处使用id列
  • 在此处使用自然主键:

    对等:IP,端口
    洪流:infohash
    跟踪程序:网址
    TorrentPeer :peer_ip,torrent_infohash,peer_port,时间
    TorrentTracker :tracker_url,torrent_infohash,时间
  • 对所有表使用innoDB引擎

  • 这有几个优点:
  • InnoDB使用聚簇索引作为主键。意味着当您仅从主键列中请求数据时,可以直接从索引中检索所有数据,而无需进行额外的查找。因此,InnoDB表是某种索引组织的表。
  • 较小,因为您不必存储代理 key 。 ->速度,因为获得相同结果的IO较少。
  • 因为您使用了自然主键和外键,所以您现在可以不使用(昂贵的)联接就可以进行一些查询。例如,链接表TorrentAtPeer直接包含peer ip作为对等表的外键。如果您需要查询子网中对等方使用的种子,您现在可以不使用联接就可以进行查询,因为所有相关数据都在链接表中。

  • 如果您想要每个对等点的洪流计数,并且您也想要对等点的ip记录在结果中,那么在此处使用自然主/外键时,我们再一次具有优势。

    使用您的架构,您必须加入以检索ip:
    SELECT Peer.ip, COUNT(DISTINCT torrent)
        FROM TorrentAtPeer, Peer
        WHERE TorrentAtPeer.peer = Peer.id
        GROUP BY Peer.ip;
    

    使用自然的主/外键:
    SELECT peer_ip, COUNT(DISTINCT torrent)
        FROM TorrentAtPeer
        GROUP BY peer_ip;
    

    编辑
    好吧,原始发布的架构不是真正的架构。现在,Peer表具有port字段。我建议在这里使用主键(ip,端口),并仍然删除id列。这也意味着链接表需要具有多列外键。调整答案...

    07-24 09:38
    查看更多