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
激流有多少同龄人有
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:
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:
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
这有几个优点:
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...