1.一种面向流式大数据的基数估计方法，其特征在于，所述面向流式大数据的基数估计方法针对流式大数据，通过降低计算精度提高基数估计效率；对HyperLogLog Counting算法所需的中间统计信息进行分区计算，选择高效的哈希算法和最优的分桶个数，通过改进的分桶方法将哈希过的数据较为均匀的映射到m个不同的桶号中，并进行增量维护，再进行合并得到最终的中间统计信息，从而计算基数估计值。
2.如权利要求1所述的面向流式大数据的基数估计方法，其特征在于，所述面向流式大数据的基数估计方法包括以下步骤：
步骤一，按照流式数据到达时刻以相同的时间间隔将大数据划分成多个分区，每个分区内保存所述大数据中的一段数据源，各个分区之间按照时序关系有序排列；
步骤二，在每个分区构建统计信息计算器，通过改进的分桶方法将哈希过的数据较为均匀的映射到m个不同的桶号中，维护和建立一个m字节大小的记录分区数据统计信息的bitmap；
步骤三，建立和增量维护全局哈希表，每个分区的统计信息以键值对的形式存入全局哈希表，键为对应分区起始时刻时间经过哈希后的值，值即为该分区的经过统计信息计算器获得的bitmap中存放的值；
步骤四，构建分区统计信息合并器，从全局哈希表中获取给定数据时间窗口中所有分区的统计信息bitmap，合并成代表数据时间窗口中所有数据的统计信息bitmap；
步骤五，构建基数估计计算器，从分区统计信息合并器中获取最终的统计信息bitmap，进行偏差调整，选择最优的结果。
3.如权利要求2所述的面向流式大数据的基数估计方法，其特征在于，所述分区的建立包括：按照流式数据到达时刻以相同的时间间隔将大数据划分成多个分区，每个分区内保存所述大数据中的一段数据源，各个分区之间按照时序关系有序排列如下：[t1,t1+Δt),[t1+Δt,t1+2Δt),[t1+2Δt,t1+3Δt),...,[t1+kΔt,t2)，其中k＝floor((t2-t1)/Δt)。
4.如权利要求2所述的面向流式大数据的基数估计方法，其特征在于，所述在每个分区构建统计信息计算器将数据映射到64比特空间；最终确定分桶数m＝216；截取64比特数据值的前3组log2m比特的二进制值相互异或，将异或值作为桶号；64比特数据值去掉前log2m比特剩余比特组成的二进制值就是需处理的真实值，计算其ρ值，更新bitmap中对应桶号的最大ρ值。
5.如权利要求2所述的面向流式大数据的基数估计方法，其特征在于，所述建立和增量维护全局哈希表包括：
第一步，实时监控数据时间窗口中的分区，确定离开数据时间窗口，新进入数据时间窗口，仍在数据时间窗口数据未发生改变，仍在数据时间窗口数据发生改变这四类分区；
第二步，根据键值从全局哈希表中删除不在数据时间窗口的分区统计信息；
第三步，计算新进入时间窗口中的分区统计信息，添加到全局哈希表中；
第四步，重新计算仍在时间窗口中但数据发生改变的分区统计信息；
第五步，保持仍在时间窗口中数据未发生改变的分区统计信息。
6.如权利要求2所述的面向流式大数据的基数估计方法，其特征在于，所述构建分区统计信息合并器包括：
1)遍历全局哈希表，根据键获取存放分区统计新的所有值；
2)存放每个分区统计信息的bitmap一共有m字节，有n个分区统计信息b1,b2,b3,...,bn，则M[i]＝max{b1[i],b2[i],...,bn[i]},i＝0,1,...,m-1，则M中存放的就是最终所有分区合并后的统计信息。
7.如权利要求2所述的面向流式大数据的基数估计方法，其特征在于，所述构建基数估计计算器包括：
(1)从分区统计信息合并器中获取最终的统计信息M，通过调和平均计算初步的基数估计值E；
(2)根据计算出的基数估计值，E太大就进行大范围修正，若范围太小则进行小范围修正，若范围刚好则不修正。
8.一种应用权利要求1～7任意一项所述面向流式大数据的基数估计方法的数据库优化系统。
9.一种应用权利要求1～7任意一项所述面向流式大数据的基数估计方法的网络监控系统。
10.一种应用权利要求1～7任意一项所述面向流式大数据的基数估计方法的数据分析系统。