基本概念
mean(平均值)
均值是就全部數(shù)據(jù)計算的,它具有優(yōu)良的數(shù)學(xué)性質(zhì),是實際中應(yīng)用最廣泛的集中趨勢測度值.其主要缺點是易受數(shù)據(jù)極端值的影響,對于偏態(tài)分布的數(shù)據(jù),均值的代表性較差.作為均值變形的調(diào)和平均數(shù)和幾何平均數(shù),是適用于特殊數(shù)據(jù)的代表值,調(diào)和平均數(shù)主要用于不能直接計算均值的數(shù)據(jù),幾何平均數(shù)則主要用于計算比率數(shù)據(jù)的平均數(shù),這兩個測度值與均值一樣易受極端值的影響.
median(中位數(shù))
中位數(shù)是一組數(shù)據(jù)中間位置上的代表值.其特點是不受數(shù)據(jù)極端值的影響.對于具有偏態(tài)分布的數(shù)據(jù),中位數(shù)的代表性要比均值好.
在一組排好序數(shù)據(jù)中，數(shù)據(jù)數(shù)量為奇數(shù)，則中值為中間的那個數(shù)。 如果數(shù)據(jù)數(shù)量為偶數(shù)，則中值為中間的那兩個數(shù)值的平均值。
percentile(百分位數(shù))
第p百分位數(shù)是這樣一個值，它使得至少有p%的數(shù)據(jù)項小于或等于這個值，且至少有(100－p)%的數(shù)據(jù)項大于或等于這個值。
4類Reservoir
ExponentiallyDecayingReservoir(指數(shù)采樣)
An exponentially-decaying random reservoir of {@code long}s. Uses Cormode et al's forward-decaying priority reservoir sampling method to produce a statistically representative sampling reservoir, exponentially biased towards newer entries.
UniformReservoir(隨機采樣)
A random sampling reservoir of a stream of {@code long}s. Uses Vitter's Algorithm R to produce a statistically representative sample.
SlidingWindowReservoir(只存最近N條數(shù)據(jù))
A {@link Reservoir} implementation backed by a sliding window that stores the last {@code N}
- measurements.
SlidingTimeWindowReservoir(指定時間窗口重置數(shù)據(jù))
A {@link Reservoir} implementation backed by a sliding window that stores only the measurements made
小結(jié)
關(guān)于瞬時值
除了SlidingTimeWindowReservoir外，其余的都不能直接反映瞬時值，都是被“平均”了。假設(shè)一開始有個值，后續(xù)都為0，那么他們都會只體現(xiàn)初始值，體現(xiàn)不出后續(xù)變?yōu)?的情況，只有后續(xù)該值繼續(xù)有變動，才會“延遲”體現(xiàn)出來。
關(guān)于snapshot
snapshot的percentile默認有75thPercentile、95thPercentile、98thPercentile、99thPercentile、999thPercentile。
- 其中95+的指標(biāo)能較明顯體現(xiàn)極值的變動
- 75thPercentile則相對比較平緩
在極值變動小的情況下，SlidingTimeWindowReservoir會更貼近實際情況，其中時間窗口跟上報interval對應(yīng)上即可。即使極值變動大，相比其他幾個Reservoir，SlidingTimeWindowReservoir還是比較接近實際數(shù)據(jù)，曲線會有明顯變動，不像其他的一段時間可能都是平滑的。
