An Improved Data Stream Summary: The Count-Min Sketch and its Applications

目的: 解决大数据中的频繁项(Heavy Hitters)问题(参考大数据流的在线Heavy Hitters算法（上篇）：基于计数器的方法-CSDN博客)

核心思想： 可以把CMS看成一个二维(w*d)的布隆过滤器，每个hash函数一行(h1...hd，共d列)，新数据项到来时，h1-hd计算各自的哈希值，然后每行都更新对应位的计数值。

估计某元素i的出现频率，方法是直接取元素i对应的不同行哈希桶中，计数值最小的那个。

(因为有碰撞，所以是近似准确)

这里w=⌈e/ε⌉， d=⌈ln⁡(1/δ)⌉，即在 1−δ 的概率下，总误差（所有元素查询误差的之和）小于 ε 。

证明过程就不写了，网上很多。