倒排列表压缩算法汇总——分区Elias-Fano编码貌似是最牛叉的啊！

Posted 2020-09-19

来看看倒排索引压缩。压缩是拿CPU换IO的最重要手段之一，不论索引是放在硬盘还是内存中。索引压缩的算法有几十种，跟文本压缩不同，索引压缩算法不仅仅需要考虑压缩率，更要考虑压缩和解压性能，否则会解压太慢而起不到CPU换IO的作用。早期的索引设计里，在尝试了几十种编码之后，基本都确定性采用差分编码＋可变长字节编码。差分的目的在于让索引的文档ID尽可能小，因为压缩小的整数总是比大整数更有效。在索引构建算法中，有一类工作叫做“文档重排”，目的就是通过对文档索引顺序的重新排列，使得索引posting list中的文档ID之差最小，这样就可以让压缩算法更有效的工作，从而使得索引总体积最小。当然这样的工作在实际中价值有限，因为索引的构建速度以及增量构建同样非常重要，耗费大量时间在文档重排上，对于静态数据集合才更加有效。可变长字节编码大概是最早的索引压缩编码，思路简单到无以复加的地步——每个字节的第一位为flag，表示是否继续使用下一个byte，剩下7位为有效位，所有的有效位组成数字的2进制表示。但是它却非常有效，因为解压速度非常快。采用差分和可变长组合手段，假定文档ID采用32位整数，那么索引体积基本上可以压缩到之前的1/2到1/4之间。这种压缩手段占据了主流，几乎所有的开源搜索（Lucene，Sphinx），商业搜索都采用这种方式进行，Google则引入了Group可变长字节编码，以4个整数为一组进行压缩，这样压缩率更高。我们可以找到阿里实现的Group可变长字节编码的实现，因此很可能淘宝商品搜索也采用了这种方式。

 

大约2007年开始，一种名为PForDelta的索引压缩算法开始引起更多人的重视，这是一种压缩率更高并且解压速度更快的算法。有研究表明，索引压缩的过程中相邻文档ID差值为1的情况大约占10%，而PForDelta算法对小差值的情况，特别有优势。假定一个索引块为8个值（已经做过差分），80%的情况下值小于32，小于32的值均可以用一个b = 5bit的数来表示。建立这样一个结构：8*b-bit的常规部分，看作是一个位数组，每个元素占b-bit定长空间，余下的为异常部分，看作是一个整形数组，每个元素占4字节定长空间。假定有这样一个序列:23, 41, 8, 12, 30, 68, 18, 45，通过PForDelta方法的构造得到如下压缩结构：

椭圆框所示的部分为常规部分，常规部分的第一个值1，表示从该地址开始，跳过1个地址，就可以找到下一个异常值的位置，同理第三个值3表示，跳过3个地址，就是下一个异常值的位置。常规值从前到后存储，异常值从后向前存储。PForDelta压缩是基于块来进行，目前常用的选择是128。把处理异常值的方式做改进，采用可变长字节或者其他算法（目前最先进的是S9或者S16）压缩，就是改进型的NewPFor和OptPFor压缩算法。

 

PForDelta及其系列改进从07年发明以来已经逐渐成熟，后边的工程实践中引入了SSE指令加速，使得解压速度可以更快。一些主流商业搜索引擎已经广泛采用，也包含上面提到的淘宝商品搜索。然而，技术革新的步伐并没有停止。PForDelta这一族算法，压缩是按照区块来进行的，这意味着如果希望仅仅访问其中某一个元素，那么需要把整个区块进行解压。有时候我们并不希望总是全部解压，从而可以做到对压缩数字的随机读取。在2012年的时候，出现了Quasi-succinct索引。它可以提供元素的随机访问而不需要全部解压。注意这里又出现了succinct字样，是因为该索引对于压缩接近信息熵的下界，这符合succinct的定义。Quasi-succinct索引的性能跟最好的区块压缩算法压缩解压性能基本一致，采用的是Elias-Fano编码，但是压缩率缺却并不高，因此会导致索引体积膨胀——尽管如此，索引所占的体积仍然少于常规的可变长字节编码。Elias-Fano编码针对随机元素的解压非常快速，但是如果需要解压全部元素，它的速度还是不能最先进的批量解压算法例如NewPFor和OptPFor快。

 

Elias-Fano编码过程如下：把一组整数的最低l位连接在一起，同时把高位以严格单调增的排序划分为桶。用0表示桶的存在，用1表示桶里的元素，有多少元素就有多少个1。

图中的序列为2，3，5，7，11，13，24，如果期望定位大于6的位置，那么根据6/2^2就可以定位到大于6的桶，然后在桶内线性扫描即可。可以看到，低l位的存在，就是起到了桶定位的用途，从而避免全部解压，这可以类比于常规索引中的跳跃表，跳跃间隔为2^l。

 

Quasi-succinct索引在MG4J的开源搜索引擎中得到了应用，MG4J是个人认为的Java版本的开源搜索引擎中最具备研究和学习价值的，不仅仅在于高于Lucene的代码质量，更在于对于数据结构与算法孜孜不倦的创新。当然，由于不善宣传，出自学校而并没有吸引更多的开发人员加入社区，
知晓并愿意改进MG4J的人寥寥无几，这跟Lucene形成了鲜明的对比。因此，即便在技术领域，先进性也往往让步于宣传。

 

Partitioned（分区块） Elias-Fano编码，这篇文章获得了2014年SIGIR会议最佳论文，它是针对Elias-Fano编码进行的改进。仍然由Quasi-succinct的作者提出，主要解决Quasi-succinct索引的压缩率问题——回归区块压缩手段，把数字序列划分区块，每个区块内单独用Elias-Fano编码，同时，为了确保仍然具备随机访问的特性，把区块的边界数字再次单独拿Elias-Fano编码压缩，因此形成了一个二级结构。根据作者的试验，分区Elias-Fano编码比最快的PForDelta编码OptPFor速度和压缩率上均有超越，但压缩率大大超过后者（2倍以上）。因此，在随机访问，压缩率，解压性能上达到了很强的综合性能，荣膺最佳论文实至名归。

 

创新依然在继续，自从SSE加速指令引入到PForDelta的实现之后，针对SIMD指令如何设计良好的压缩算法也成为工程和学术的研究重点。亚马逊旗下搜索引擎A9.com就曾经提出了针对SIMD加速的可变长字节编码实现，而在2013年底，加拿大LICEF研究中心的Lemire提出了基于SIMD bitpacking的压缩编码SIMD-BP128，其解压速度是迄今为止最快的，超过OptPFor的2倍（一秒钟可以解压10亿整数），当然在压缩率上并没有达到高指标。

 

压缩可以说是索引设计中的第一考虑要素，盘点上面的列表，NewPFor，OptPFor，Quasi-succinct（Elias-Fano），Partitioned Elias-Fano，SIMD-BP128，都是业界最先进的选择，设计时需要根据自己的要求做出取舍。

 

转自：http://chuansong.me/n/2035211