浅谈布隆过滤器

jone5679 发布于2019-08-16 13:52 / 1526人阅读

摘要：那该怎么办，现在该介绍今天的主角了布隆过滤器就可以解决这样的问题。具体介绍布隆过滤器实际上是一个很长的二进制矢量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。缺点布隆过滤器有宁可错杀一百，也不能放过一个的性质。

1. 问题情景

如果面试官问你，一个网站有 100 亿 url 存在一个黑名单中，每条 url 平均 64 字节。问这个黑名单要怎么存？若此时随便输入一个 url，如何判断该 url 是否在这个黑名单中？

对于第一个问题，如果把黑名单看成一个集合，将其存在 hashmap 中，貌似太大了，需要 640G，明显不科学。

那该怎么办？ok，现在该介绍今天的主角了 —— 布隆过滤器就可以解决这样的问题。

首先，布隆过滤器是什么？维基百科是这样解释的：

布隆过滤器（英语：Bloom
Filter）是1970年由布隆提出的。它实际上是一个很长的二进制矢量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。

官方说法看下就好，如果不理解没关系，其实不会难，下面我们讲人话慢慢来。

2. 具体介绍

布隆过滤器实际上是一个很长的二进制矢量和一系列随机映射函数。

「很长的二进制矢量」：这是一个长度很长的数组，什么类型的数组呢？bit 类型的数组，也是我们说的「位」，（1Byte = 8bit，1KB = 1024Byte）。

「一系列随机映射函数」：有多个哈希函数。那什么是哈希函数呢？JDK 里面有计算得到哈希值的方法，那就是一个哈希函数。

布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难

这个不就可以解决我们最开始的问题吗？那它是怎么解决的呢？

3. 解决过程

下面我说下大体的过程，细节部分可先不理解，重要的是明白流程，细节我后面补充。

假设，bit 类型数组的长度为 m，每个元素值为 0，有 k 个哈希函数。

首先，当输入一个 url 的时候，此时这个 url 会经过 k 个哈希函数处理，得到多个哈希值（v1,v2,...,vk）。之后得到这些哈希值对应在数组的下标位置，最后将这些下标的元素都置为 1。

那么如何判断一个 url 在黑名单里面呢？输入一条 url，它经过上述处理之后，会得到多个数组的下标位置。如果这些下标的元素值都已经为 1 了，说明该在黑名单里面，否则不在。

总体就是这样的流程，下面说下大家可能存在的疑问：

1、bit 类型的数组如何构建

2、得到 v1,v2,...,vk 这些哈希值后，如何得到其在数组的下标位置，并将其设置为 1 呢？

两个问题我一起说下，Java 里面没有 bit 这样的类型，怎么构建呢？—— 不难，我们可以使用 int，一个 int 是 32 位。

//创建了一个 100 * 32bit 的数组
int[] arr = new int[100]; 
// 代表 bit 数组 0-31 位的元素
arr[0];

因此上面再会说「分别将这些哈希值除以数组的长度 m，和对 m 取模，得到这些哈希值对应在数组的下标位置」。

具体我们可以拿一个哈希值 data 来举个栗子，假设 int 数组长度为 100。

void Set(int data) {
       // ByteNO 是表示在 table 数组中那个元素
       int ByteNo = data / 32;
       // bitNo 是表示在 32 位 bit 中哪个 bit 位。
       int BitNo = data % 32;
       // 置 1
       _table[ByteNo] |= (1 << BitNo); 
   }

4. 使用效果

最开始我们提到，如果将 100 亿 url 放到 HashMap 中需要 640GB，那么使用布隆过滤器后又需要多少空间呢？答案是约等于 23 GB。相比之下，这个空间大小是不是就可以接受很多了。

5. 缺点

布隆过滤器有宁可错杀一百，也不能放过一个的性质。讲人话就是属于黑名单的 url 一定能够正确判断它在黑名单中，但不属于黑名单中的 url 也可能会被认为在黑名单中，存在一定的失误率。

至于失误率要保持在多少，数组长度，哈希函数的个数分别要设置多少就需要根据实际情况来选择了，网上有对应的数学公式计算，这里就不展开讲了。

参考：
https://blog.csdn.net/wenqian...

欢迎关注微信公众号「不只Java」，后台回复「电子书」，送说不定有你想要的呢

GPU云服务器云服务器布隆过滤器布隆去重设计浅谈浅谈javascript

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/72490.html

布隆过滤器简介

摘要：布隆过滤器可以用于检索一个元素是否在一个集合中。举个栗子，比如第一次将存入布隆过滤器，将数组的，位置置为了，只要下次再有存入布隆过滤器，发现已经是全是了，所以可知该字符串已经保存过。最近做爬虫项目过滤重复的url的时候,了解到一个东西,叫布隆过滤器,然后也学习了一下,写下这篇博客记录一下.下面我们将分为几个专题来介绍布隆过滤器:1.什么是布隆过滤器;2.布隆过滤器的使用场景和...

shuibo 2019-08-16 17:30 评论0 收藏0
大白话布隆过滤器

摘要：可以看出，仅仅从布隆过滤器本身而言，根本没有存放完整的数据，只是运用一系列随机映射函数计算出位置，然后填充二进制向量。也就是说布隆过滤器只能判断数据是否一定不存在，而无法判断数据是否一定存在。我向布隆过滤器插入了，然后用来测试误判率。本文是站在小白的角度去讨论布隆过滤器，如果你是科班出身，或者比较聪明，又或者真正想完全搞懂布隆过滤器的可以移步。不知道从什么时候开始，本来默默无闻的布隆过滤器...

meteor199 2019-05-23 16:22 评论0 收藏0
布隆过滤器的Python实现(标准、计数、标准扩容、计数扩容)

摘要：布隆过滤器的实现，包括标准计数标准扩容计数扩容。计数扩容布隆过滤器标准扩容布隆过滤器的子类，功能继承自标准扩容布隆过滤器，但支持删除元素的操作。 bloompy github:bloompy 布隆过滤器的Python3实现，包括标准、计数、标准扩容、计数扩容。更新自pybloom。安装 pip install bloompy 使用通过bloompy你可以使用四种布隆过滤器标准布...

Pocher 2019-07-30 18:35 评论0 收藏0