在巨大的事件流中寻找差距？

Question

我在 PostgreSQL 数据库中有大约 100 万个这种格式的事件：

id        |   stream_id     |  timestamp
----------+-----------------+-----------------
1         |   7             |  ....
2         |   8             |  ....

大约有 50,000 个独立流。

我需要找到任意两个事件之间的时间超过特定时间段的所有事件。换句话说，我需要找到在特定时间段内没有事件的事件对。

例如：

a b c d   e     f              g         h   i  j k
| | | |   |     |              |         |   |  | | 

                \____2 mins____/

在这种情况下，我想找到 (f, g) 对，因为它们是紧邻间隙的事件。

我不在乎查询是否（那么）慢，即在 100 万条记录上，如果需要一个小时左右就可以了。然而，数据集将继续增长，所以希望如果它很慢，它可以理智地扩展。

我还有MongoDB里的数据。

执行此查询的最佳方式是什么？

Answer 1

在 postgres 中，可以借助 lag() window 函数轻松完成。以下面的 fiddle 为例：

SQL Fiddle

PostgreSQL 9.3 架构设置:

CREATE TABLE Table1
    ("id" int, "stream_id" int, "timestamp" timestamp)
;

INSERT INTO Table1
    ("id", "stream_id", "timestamp")
VALUES
    (1, 7, '2015-06-01 15:20:30'),
    (2, 7, '2015-06-01 15:20:31'),
    (3, 7, '2015-06-01 15:20:32'),
    (4, 7, '2015-06-01 15:25:30'),
    (5, 7, '2015-06-01 15:25:31')
;

查询 1:

with c as (select *,
           lag("timestamp") over(partition by stream_id order by id) as pre_time,
           lag(id) over(partition by stream_id order by id) as pre_id
           from Table1
          )
select * from c where "timestamp" - pre_time > interval '2 sec'

Results:

| id | stream_id |              timestamp |               pre_time | pre_id |
|----|-----------|------------------------|------------------------|--------|
|  4 |         7 | June, 01 2015 15:25:30 | June, 01 2015 15:20:32 |      3 |

Answer 2

您可以使用 lag() window 函数在按时间戳排序的 stream_id 分区上执行此操作。 lag() 函数使您可以访问分区中的前几行；没有滞后值，它是前一行。因此，如果 stream_id 上的分区按时间排序，则前一行是该 stream_id 的前一个事件。

SELECT stream_id, lag(id) OVER pair AS start_id, id AS end_id,
       ("timestamp" - lag("timestamp") OVER pair) AS diff
FROM my_table
WHERE diff > interval '2 minutes'
WINDOW pair AS (PARTITION BY stream_id ORDER BY "timestamp");

在巨大的事件流中寻找差距？

Finding gaps in huge event streams?

sql

algorithm

postgresql

bigdata

mongodb