Proponemos DiCar, un boceto novedoso que soporta una estimación flexible y eficiente en memoria de cardinalidades diversas. Las innovaciones principales incluyen: 1) Una estructura jerárquica que apoya extensiones adaptativas para proporcionar un seguimiento eficiente en memoria en distribuciones de cardinalidad sesgadas; 2) Un algoritmo de extensión sin pérdidas basado en el teorema de aritmética modular para permitir cambios flexibles entre diferentes tareas de estimación. Las evaluaciones en trazas del mundo real demuestran que DiCar supera a los métodos existentes al lograr errores relativos promedio de 3.5-4.3 × más bajos con solo 0.5MB de memoria y mantiene una tasa de falsos positivos < 3% en la detección de supernodos con alta cardinalidad.
Xia et al. (Jue,) estudiaron esta cuestión.