应用程序将定期接收具有纬度和经度的大量移动物体（大约每秒100,000 [100万]）。 要求是检测400米范围内的任何物体，检测必须在400毫秒（毫秒）内完成。
因此，每当应用程序接收到具有经度和经度的任何新对象时，我首先需要将其添加到数据结构中， 检查数据结构中的任何其他对象是否在400毫秒内与新添加的对象相距400米。
根据我的研究，我有以下两种选择： 选项1：如果对象数量较少，则可以将Redis GEO用于上述要求。但是，对于执行geoadd和georadius查询的100万个对象将花费超过400毫秒这是不可接受的。将来，对象可以是每秒2百万。
选项2：使用八叉树数据结构可以提供更好的性能我认为它的性能也会降低（需要的时间超过400毫秒） 用新对象更新八叉树时搜索100万个对象，并搜索新对象附近的对象。
我想了很多关于使用geohash对数据进行分区的方法。示例使用geohash的前缀并将数据保存在redis实例1和redis实例2中的其他geohas数据中。但是对于两个对象在400 m范围内但在相邻象限中的角落情况，它将失败。
问题 有没有人知道根据纬度和经度划分数据并仍然检测邻近的对象？或者减少map-reduce范例中的问题？
考虑到将来物体每秒可以达到200万次，任何人都能提出不同的方法吗？
答案 0 :(得分：0)
两点：
1）对于分区，您可以让象限重叠，这意味着象限边界400米范围内的所有点都会添加两个象限。我认为这应该允许有用的分区。
2）移动对象的专用索引可能比四叉树好，例如MX-CIF-Quadtree。您也可以尝试我自己的PH树（Java sources）。它可以很好地适应大型数据集（最好使用至少10 ^ 6个点）并具有良好的更新性能。它实际上最适合群集数据。它基本上是一个前缀共享的四叉树，有许多优化（例如，它永远不需要重新平衡））。在3.5GHz的i7 3770K上，我可以插入每秒500K到1M点之间的树，最大可达100M（我在那时停止测试，但树应该可以轻松扩展到更大的数据集）。