在R中生成UUID向量的更快方法

时间:2018-04-09 16:48:13

标签: r uuid

以下代码大约需要15秒才能生成10k UUID的向量。我将需要生成1M或更多,我计算这需要15 * 10 * 10/60分钟,或大约25分钟。有没有更快的方法来实现这一目标?

library(uuid)
library(dplyr)
start_time <- Sys.time()
temp <- sapply( seq_along(1:10000), UUIDgenerate )
end_time <- Sys.time()
end_time - start_time  

# Time difference of 15.072 secs

基本上,我正在寻找一种能够实现Java所述性能提升的R方法:Performance of Random UUID generation with Java 7 or Java 6

它们应符合RFC 4122,但其他要求是灵活的。

2 个答案:

答案 0 :(得分:4)

提供选项use.time将大大加快流程。它可以设置为TRUEFALSE,以确定UUID是否基于时间。在这两种情况下,它都会比不指定此选项快得多。

对于10k UUID,

library(uuid)
library(dplyr)

start_time <- Sys.time()
temp <- sapply( seq_along(1:10000), function(ign) UUIDgenerate(FALSE) )
end_time <- Sys.time()
end_time - start_time
# 10k: 0.01399994 secs

start_time <- Sys.time()
temp <- sapply( seq_along(1:10000), function(ign) UUIDgenerate(TRUE)  )
end_time <- Sys.time()
end_time - start_time
# 10k: 0.01100016 secs

即使缩放到100M,仍然比原来的15秒更快的运行时间。

start_time <- Sys.time()
temp <- sapply( seq_along(1:100000000), function(ign) UUIDgenerate(FALSE)  )
end_time <- Sys.time()
end_time - start_time
# 100M: 1.154 secs

start_time <- Sys.time()
temp <- sapply( seq_along(1:100000000), function(ign) UUIDgenerate(TRUE)  )
end_time <- Sys.time()
end_time - start_time
# 100M: 3.7586 secs

答案 1 :(得分:4)

提前排行:不,目前无法在不影响唯一性核心前提的情况下加快使用uuid生成大量UUID的速度。 (使用uuid,即。)

事实上,您使用use.time=FALSE的建议会产生严重影响(在Windows上)。见下文。

可以大规模获得更快的性能,而不是uuid。见下文。

Windows上的

uuid

uuid::UUIDgenerate的效果应考虑操作系统。更具体地说,是随机性的来源。看看表演是否重要,是的,在哪里:

library(microbenchmark)
microbenchmark(
  rf=replicate(1000, uuid::UUIDgenerate(FALSE)),
  rt=replicate(1000, uuid::UUIDgenerate(TRUE)),
  sf=sapply(1:1000, function(ign) uuid::UUIDgenerate(FALSE)),
  st=sapply(1:1000, function(ign) uuid::UUIDgenerate(TRUE))
)
# Unit: milliseconds
#  expr       min        lq     mean   median       uq      max neval
#    rf  8.675561  9.330877 11.73299 10.14592 11.75467  66.2435   100
#    rt 89.446158 90.003196 91.53226 90.94095 91.13806 136.9411   100
#    sf  8.570900  9.270524 11.28199 10.22779 12.06993  24.3583   100
#    st 89.359366 90.189178 91.73793 90.95426 91.89822 137.4713   100

...所以使用use.time=FALSE总是更快。 (我添加了sapply示例,以便与您的答案代码进行比较,以表明replicate永远不会慢。请在此处使用replicate,除非您觉得需要某些数字参数原因。)

然而,有一个问题:

R.version[1:3]
#          _                 
# platform x86_64-w64-mingw32
# arch     x86_64            
# os       mingw32           
length(unique(replicate(1000, uuid::UUIDgenerate(TRUE))))
# [1] 1000
length(unique(replicate(1000, uuid::UUIDgenerate(FALSE))))
# [1] 20

鉴于每次调用UUID都是唯一的,这是令人不安的,并且是Windows上随机性不足的症状。 (WSL是否为此提供了出路?另一个研究机会......)

Linux上的

uuid

为了比较,在非Windows平台上的结果相同:

microbenchmark(
  rf=replicate(1000, uuid::UUIDgenerate(FALSE)),
  rt=replicate(1000, uuid::UUIDgenerate(TRUE)),
  sf=sapply(1:1000, function(ign) uuid::UUIDgenerate(FALSE)),
  st=sapply(1:1000, function(ign) uuid::UUIDgenerate(TRUE))
)
#  Unit: milliseconds
#   expr       min       lq     mean   median       uq       max neval
#     rf 20.852227 21.48981 24.90932 22.30334 25.11449  74.20972   100
#     rt  9.782106 11.03714 14.15256 12.04848 15.41695 100.83724   100
#     sf 20.250873 21.39140 24.67585 22.44717 27.51227  44.43504   100
#     st  9.852275 11.15936 13.34731 12.11374 15.03694  27.79595   100

R.version[1:3]
# _
# platform x86_64-pc-linux-gnu
# arch     x86_64
# os       linux-gnu
length(unique(replicate(1000, uuid::UUIDgenerate(TRUE))))
# [1] 1000
length(unique(replicate(1000, uuid::UUIDgenerate(FALSE))))
# [1] 1000

(我对linux上use.time=FALSE的使用时间比在windows上长两倍这一事实略显好奇......)

使用SQL Server生成UUID

如果您可以访问SQL服务器(几乎可以肯定...请参阅SQLite ...),那么您可以通过使用服务器的UUID生成实现来处理这个规模问题< / em>,意识到存在一些细微差别。

(旁注:有&#34; V4&#34;(完全随机),&#34; V1&#34;(基于时间),&#34; V1mc&#34;(基于时间和包括系统的mac地址)UUID。uuid如果use.time=FALSE则给出V4,否则给出V1,编码系统的mac地址。)

Windows上的某些性能比较 (所有时间都以秒为单位):

#         n  uuid postgres sqlite sqlserver
# 1     100     0     1.23   1.13      0.84
# 2    1000  0.05     1.13   1.21      1.08
# 3   10000  0.47     1.35   1.45      1.17
# 4  100000  5.39     3.10   3.50      2.68
# 5 1000000 63.48    16.61  17.47     16.31

SQL的使用有一些开销,在大规模完成时不需要花费很长时间。

  • PostgreSQL需要uuid-ossp扩展,可以

    安装
    CREATE EXTENSION "uuid-ossp"
    

    安装/可用后,您可以使用以下内容生成n UUID

    n <- 3
    pgcon <- DBI::dbConnect(...)
    DBI::dbGetQuery(pgcon, sprintf("select uuid_generate_v1mc() as uuid from generate_series(1,%d)", n))
    #                                   uuid
    # 1 53cd17c6-3c21-11e8-b2bf-7bab2a3c8486
    # 2 53cd187a-3c21-11e8-b2bf-dfe12d92673e
    # 3 53cd18f2-3c21-11e8-b2bf-d3c64c6ad73f
    

    存在其他UUID功能。 https://www.postgresql.org/docs/9.6/static/uuid-ossp.html

  • SQLite包含限制能力,但这个hack适用于V4风格的UUID(长度n):

    sqlitecon <- DBI::dbConnect(RSQLite::SQLite(), ":memory:") # or your own
    DBI::dbGetQuery(sqlitecon, sprintf("
            WITH RECURSIVE cnt(x) as (
              select 1 union all select x+1 from cnt limit %d
            )
            select (hex(randomblob(4))||'-'||hex(randomblob(2))||'-'||hex(randomblob(2))||'-'||hex(randomblob(2))||'-'||hex(randomblob(6))) as uuid
            from cnt", n))
    #                                   uuid
    # 1 EE6B08DA-2991-BF82-55DD-78FEA48ABF43
    # 2 C195AAA4-67FC-A1C0-6675-E4C5C74E99E2
    # 3 EAC159D6-7986-F42C-C5F5-35764544C105
    

    这需要一点点痛苦才能将其格式化,最好是精确的。如果不遵守这种格式,您可能会发现小的性能改进。)

  • SQL Server需要临时创建一个表(带有newsequentialid()),生成一个序列,拉动自动生成的ID,并丢弃该表。有点过分,特别是考虑到使用SQLite的简易性,但是YMMV。 (没有提供代码,也没有增加太多。)

其他考虑因素

除了执行时间和足够随机性之外,还有各种关于数据库表的讨论(现在未提及),这些数据库表通过使用非连续的UUID来指示性能影响。这与索引页面等有关,超出了本答案的范围。

然而,假设这是真的......假设大约在同一时间插入的行(在时间上相关)通常被组合在一起(直接或子分组),那么保持同一天是一件好事在同一个db索引页中使用UUID键的数据,因此V4(完全随机)UUID可能会降低大型组(和大型表)的DB性能。出于这个原因,我个人更喜欢V1而不是V4。

其他(仍未启用)讨论考虑在UUID中包含可直接跟踪的MAC地址,以轻微违反内部信息。出于这个原因,我个人倾向于V1mc而不是V1。

(但我还没有办法用RSQLite做得很好,所以我依赖附近的postgresql。幸运的是,我使用postgresql足够其他我在windows上用docker保存实例的东西。)