千万级数据的去重的性能问题，欢迎一起讨论！

[hktony]

场景：需要对redis中的不同的千万级set集合之间做去重，一直使用sdiff，但是随着数据量的增大，sdiff命令变得越来越不可靠，容易导致cpu过高，导致redis长时间无响应。
目前redis已经做了一致性哈希的分片，16台redis节点集群，每个set集合平均分到16台redis节点上。除了横向扩展，是否有更为高效的去重方案取代redis的sdiff命令？

[kslr]

允许有误差么？ 可以看看布隆过滤器 （ 3亿级的数据正在用

[zhicheng]

允许多大的误差？可以看看 HyperLogLog https://en.wikipedia.org/wiki/HyperLogLog

[fszaer]

@zhicheng
然而 redis中的 HyperLogLog 只能求近似基数
如何应用到去重中？？？

[Lax]

@fszaer HLL 可以根据返回值判断是否已经被计数过。

[jiehuangwei]

去重用这个 Bloom Filter

[hktony]

@kslr 不允许有误差， bloom filter 算法误差率最低可以控制在多少？
@jiehuangwei bloom filter 可以对两个不同集合之间做差集吗？

[kslr]

@hktony 这个需求适合 redis 的集合

[hktony]

@kslr 现在其实就是用 redis 的 set 集合两两做差集做的