Top-k 估计在网络数据流处理方面一直是一个重要的研究重点，因为它具有广泛的应用。然而，在海量网络流量中快速检测 top-k 频繁流会带来相当大的挑战，这主要是由于对高速数据包处理的严格要求和资源可用性的限制。作为摘要数据结构的可逆草图，能够在有限的内存使用和有界错误保证的情况下恢复 top-k 流。根据我们所知，大多数现有的可逆草图算法都面临高内存访问开销的问题，这不利于它们在 top-k 估计中的性能。本文提出了 Gentle-Sketch，一种高性能和紧凑的可逆草图，使用小型和静态分配的内存支持 top-k 估计。Gentle-Sketch 设计围绕数据流的固有特性，采用适应性结构以特定方式组织多个桶。每个桶的条目大小经过调整，以匹配流的分布。Gentle-Sketch 将每个流哈希到多个桶，并灵活地重新安置溢出的流，从而提高内存利用率。该机制保留大流，并在不降低吞吐量的情况下纳入更多的小流。大量实验结果表明，与现有的草图算法相比，Gentle-Sketch 在实现可逆性的同时在 top-k 估计中保持高准确性和吞吐量。特别是，与最先进的 Double-Anonymous Sketch 相比，Gentle-Sketch 提高了超过 20% 的估计精度，并且吞吐量提高了两倍以上.
Xin 等人 (2026) 研究了这个问题。