基本概念
-
移动平均值：
一个移动平均值计算常常用来在事件序列数据中消除短期波动，展示长期的趋势。 移动平均值的平滑效果通过在计算中考虑到历史值来实现。计算一个移动平均值可以通过少量的状态来进行，对于一个事件序列，我们只需要记录上次发生的时间和上次计算出来的评价值即可。
diff = currentTime-lastEventTime currentAverage = (1.0-alpha)*diff+alpha*lastAverage复制代码
上述计算中的alpha的值是一个0~1之间的常量，aplha值决定了一段时间内的平滑水平，alpha越趋于1，历史值对当前的平均值的影响越大，反之亦然
-
滑动窗口
- 某些情况下，我们需要降低历史值对当前移动平均值的影响，例如当两次事件之间的间隔时间较长时，需要重置平滑作用。如果有一个较小的alpha值，可能不需要这么做，因为平滑效果已经很好。但是，如果aplha值很大时，需要适当地降低平滑效果的影响.
- 考虑下面的例子。 我们有一个事件(比如说网络错误) 很少发生。偶尔出现小的峰值，通常是设什么问 题的。所以我们]想平滑这些小的峰值。只有当连续的峰值州现时，我们才需要发出通知。 如果事件平均一周才发生一次(达不到通知的阈值)，但是某一天一小时内出现了多 个峰值(超过了通知阈值)，alpha 值较大的平滑效果可能抵消了峰值，导致事件一直无法 触发。 为了中和这种影响，我们可以在计算移动平均值时引人滑动窗口的概念。因为我们已 经保留了上一个事件的时间戳以及当前的平均值，实现一个滑动窗口非常简单，如下面伪 代码所示:
f(cur rent Time last BventT ime) > s1idingWindowIntervalcurrentAverage = 0end if ....复制代码
一个完整的实例代码如下
import java.io.Serializable;public class EWMA implements Serializable { private static final long serialVersionUID = -6408346318181111576L; // 和UNIX系统计算负载时使用的标准alpha值相同 public static final double ONE_MINUTE_ALPHA = 1-Math.exp(-5d / 60d / 1d); public static final double FIVE_MINUTE_ALPHA = 1-Math.exp(-5d / 60d / 5d); public static final double FIFTEEN_MINUTE_ALPHA = 1-Math.exp(-5d / 60d / 15d); public static enum Time { MILLISECONDS(1), SECONDS(1000), MINUTES(SECONDS.getMillis() * 60), HOURS(MINUTES.getMillis() * 60), DAYS(HOURS.getMillis() * 24), WEEKS(DAYS.getMillis() * 7); private long millis; Time(long millis) { this.millis = millis; } public long getMillis() { return millis; } } private long window; //滑动窗口大小 private long alphaWindow; private long last; //记录上一次的时间 private double average; //移动平均值 private double alpha = -1D; //平滑水平 private boolean sliding = false; //是否移动 public EWMA() { } /** * 建立指定时间的滑动窗口 */ public EWMA sliding(double count,Time time){ return this.sliding((long)(time.getMillis()*count)); } private EWMA sliding(long window){ this.sliding = true; this.window = window; return this; } /** * 指定alpha值 * @param alpha * @return */ public EWMA withAlpha(double alpha){ if(!(alpha>0.0D)&&alpha<=1.0D){ throw new IllegalArgumentException("Alpha must be between 0.0 and 1.0"); } this.alpha = alpha; return this; } /** * 作为一个alphaWindow窗口的函数 * alpha = 【1-Math.exp(-5d / 60d / alphaWindow)】 * @param alphaWindow * @return */ public EWMA withAlphaWindow(long alphaWindow){ this.alpha = -1; this.alphaWindow = alphaWindow; return this; } public EWMA withAlphaWindow(double count,Time time){ return this.withAlphaWindow((long)(time.getMillis()*count)); } /** * 默认使用当前时间更新移动平均值 */ public void mark(){ mark(System.currentTimeMillis()); } /** * 更新移动平均值 * @param time */ public synchronized void mark(long time){ if(this.sliding){ //如果发生时间间隔大于窗口，则重置滑动窗口 if(time-this.last > this.window){ this.last = 0; } } if(this.last == 0){ this.average = 0; this.last = time; } // 计算上一次和本次的时间差 long diff = time-this.last; // 计算alpha double alpha = this.alpha != -1.0 ? this.alpha : Math.exp(-1.0*((double)diff/this.alphaWindow)); // 计算当前平均值 this.average = (1.0-alpha)*diff + alpha*this.average; this.last = time; } /** * mark()方法多次调用的平均间隔时间（历史平均水平） * @return */ public double getAverage(){ return this.average; } /** * 按照指定的时间返回平均值 * @param time * @return */ public double getAverageIn(Time time){ return this.average == 0.0?this.average:this.average/time.getMillis(); } /** * 返回特定时间度量内调用mark()的频率 * @param time * @return */ public double getAverageRatePer(Time time){ return this.average == 0.0?this.average:time.getMillis()/this.average; }}复制代码 使用实例
//指定一个1分钟的滑动窗口 EWMA ewma = new EWMA().sliding(1.0, EWMA.Time.MINUTES).withAlpha(EWMA.ONE_MINUTE_ALPHA); 复制代码