图解布隆过滤器,十分钟带你理解什么是布隆过滤器

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了图解布隆过滤器,十分钟带你理解什么是布隆过滤器相关的知识,希望对你有一定的参考价值。

之前我们介绍Redis入门系列课程的时候,讲了Redis的缓存雪崩、穿透、击穿。在文章里我们说了解决缓存穿透的办法之一,就是使用布隆过滤器,但是由于并没有详细介绍什么是布隆过滤器,所以就有很多小伙伴问我——到底什么是布隆过滤器?

那么接下来就来给大家介绍什么是布隆过滤器以及他的实现原理。


一、什么是布隆过滤器?

布隆过滤器(Bloom Filter)是非常经典的以空间换时间的算法。布隆过滤器由布隆在 1970 年提出。它实际上是一个很长的二进制向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。

其实说白了,布隆过滤器就是一种节省空间的概率数据结构,通过使用很数组和一些列随机映射函数。用于判断一个元素是否在一个集合中,0代表不存在某个数据,1代表存在某个数据。

图解布隆过滤器,十分钟带你理解什么是布隆过滤器_实现原理

二、布隆过滤器的优缺点

2.1优点

相比于其它的数据结构,布隆过滤器在空间和时间方面都有巨大的优势。

  • 布隆过滤器存储空间和插入/查询时间都是常数(即hash函数的个数);
  • Hash 函数相互之间没有关系,方便由硬件并行实现;
  • 布隆过滤器不需要存储元素本身,在某些对保密要求非常严格的场合有优势;
  • 布隆过滤器可以表示全集,其它任何数据结构都不能;


2.2缺点

布隆过滤器的缺点和优点一样明显:

  • 误算率(False Positive)是其中之一。随着存入的元素数量增加,误算率随之增加(误判补救方法是:再建立一个小的白名单,存储那些可能被误判的信息)。但是如果元素数量太少,则使用散列表足矣。
  • 一般情况下不能从布隆过滤器中删除元素。我们很容易想到把位列阵变成整数数组,每插入一个元素相应的计数器加 1, 这样删除元素时将计数器减掉就可以了。然而要保证安全的删除元素并非如此简单。首先我们必须保证删除的元素的确在布隆过滤器里面. 这一点单凭这个过滤器是无法保证的。另外计数器回绕也会造成问题。


三、布隆过滤器的使用场景

利用布隆过滤器减少磁盘 IO 或者网络请求,因为一旦一个值必定不存在的话,就可以直接结束查询,比如以下场景:

  • 大数据去重,比如判断一个数字是否存在于包含大量数字的数字集中(数字集很大,5 亿以上!);
  • 网页爬虫对 URL 的去重,避免爬取相同的 URL 地址;
  • 反垃圾邮件,从数十亿个垃圾邮件列表中判断某邮箱是否垃圾邮箱;
  • 缓存击穿,将已存在的缓存放到布隆过滤器中,当黑客频繁访问不存在的缓存时迅速返回避免缓存及数据库挂掉;

图解布隆过滤器,十分钟带你理解什么是布隆过滤器_数组_02


四、布隆过滤器实现原理

4.1数据结构

布隆过滤器是一个基于数组和哈希函数散列元素的结构,很像HashMap的哈希桶。它可以用于检测一个元素是否在集合中。它的优点是空间效率和查询时间比一般算法要好很多,缺点是有一定概率的误判性,如HashMap出现哈希碰撞。

图解布隆过滤器,十分钟带你理解什么是布隆过滤器_数组_03

4.2实现原理

(1)存入过程

布隆过滤器的核心就是一个二进制数据的集合和hash计算函数。当一个元素加入布隆过滤器中的时会进行如下操作:

1.使用布隆过滤器中的哈希函数对元素值进行计算,返回对应的哈希值(一般有几个哈希函数得到几个哈希值);

2.根据返回的hash值映射到对应的二进制集合的下标;

3.将下标对应的二进制数据改成1;

图解布隆过滤器,十分钟带你理解什么是布隆过滤器_实现原理_04

如上图所示,三个Hash函数计算key值“test”的hash值分别为2、5、9;那么就会把集合中2、5、9下标对应的数据改成1。


(2)判断是否存在

当我们需要判断一个元素是否存在于布隆过滤器的时候,会进行如下操作:

1.对给定元素再次进行相同的哈希计算;

2.根据返回的hash值判断位数组中对应的元素是否都为 1,如果值都为 1,那么说明这个值在布隆过滤器中,如果存在一个值不为 1,则说明该元素不在布隆过滤器中。

图解布隆过滤器,十分钟带你理解什么是布隆过滤器_数组_05

从上图可以看到,元素“test”通过哈希函数计算,得到下标为 2、5、9 这 3个数据。虽然前两个点都为 1,但是很明显第 3 个点得到的数据为0,说明元素不在集合中。


五、布隆过滤器实现

目前市面上有很多实现布隆过滤器的方式,比如Google的GUAVA实现,还有Redis的插件RedisBloom等。
接下来,我们简单实现一个布隆过滤器算法。需要注意的是,我这里的示例是为了演示布隆过滤器的实现原理的简单实现,实际上完善的布隆过滤器的算法还是比较复杂的,包括误判率,哈希计算方式等。


1. 构建集合

根据之前介绍的布隆过滤器的实现原理,布隆过滤器的实现主要包括可以存放二进制元素的 BitSet 以及多样性的哈希计算函数。下面通过示例演示布隆过滤器的实现。

public class MyBloomFilter 
/**
* 位数组的大小
*/
private static final int DEFAULT_SIZE = 2 << 24;

/**
* 位数组。数组中的元素只能是 0 或者 1
*/
private BitSet bits = new BitSet(DEFAULT_SIZE);

/**
* 通过这个数组可以创建 3 个不同的哈希函数
*/
private static final int[] SEEDS = new int[]3, 13, 46;

/**
* 存放包含 hash 函数的类的数组
*/
private SimpleHash[] func = new SimpleHash[SEEDS.length];

/**
* 初始化多个包含 hash 函数的类的数组,每个类中的 hash 函数都不一样
*/
public MyBloomFilter()
// 初始化多个不同的 Hash 函数
for (int i = 0; i < SEEDS.length; i++)
func[i] = new SimpleHash(DEFAULT_SIZE, SEEDS[i]);


所有的元素存放都经过多样的哈希计算存放到 BitSet 中,这样可以尽可能的分散元素,减少误判性。


2. 哈希函数

这里只是提供了一种哈希计算的方式,实际可以实现多种不同的hash计算方式,每一个哈希计算都是一次扰动处理。一个元素的存放可以经过多次哈希,尽量让元素值做到散列,从而避免hash碰撞。

/**
* 静态内部类。用于 hash 操作!
*/
public static class SimpleHash

private int cap;
private int seed;

public SimpleHash(int cap, int seed)
this.cap = cap;
this.seed = seed;


/**
* 计算 hash 值
*/
public int hash(Object value)
int h;
return (value == null) ? 0 : Math.abs(seed * (cap - 1) & ((h = value.hashCode()) ^ (h >>> 16)));


3. 添加元素

添加元素就是当某个元素不在集合中时,我们使用布隆过滤器中的哈希函数对元素值进行计算得到哈希值,然后根据返回的哈希值,将集合数组中把对应下标的值置为 1。具体代码如下:

/**
* 添加元素到位数组
*/
public void add(Object value)
for (SimpleHash f : func)
bits.set(f.hash(value), true);


4. 比对元素

比对元素就是判断某个元素是否存在。我们对该元素进行哈希计算,然后通过哈希值获取集合中的数据,最后把这些哈希值 进行&& 计算,从而确定该元素是否存在。具体代码如下:

/**
* 判断指定元素是否存在于位数组
*/
public boolean contains(Object value)
boolean ret = true;
for (SimpleHash f : func)
ret = ret && bits.get(f.hash(value));

return ret;

这里使用多个集合中的bit位置记录同一个元素的状态,确保结果更加准确,避免hash碰撞。


5. 验证测试

接下来我们创建一个测试类,验证布隆过滤器是否生效。示例代码如下:

public class MyBloomFilterTest 
public static void main(String[] args)
String value1 = "com:weiz:user:logininfo";
String value2 = "https://www.cnblogs.com/zhangweizhong";
String value3 = "200110221";

MyBloomFilter filter = new MyBloomFilter();

filter.add(value1);
filter.add(value2);

System.out.println("key:" + value1 +"是否存在:"+ filter.contains(value1));
System.out.println("key:" + value2 +"是否存在:"+ filter.contains(value2));
System.out.println("key:" + value3 +"是否存在:"+ filter.contains(value3));

运行上面的测试代码,验证布隆过滤器算法是否正常,具体结果如下图所示:

图解布隆过滤器,十分钟带你理解什么是布隆过滤器_实现原理_06

通过上面的输出结果可以看到,value1和value2已经添加到布隆过滤器,返回结果为true,而value3未加入到布隆过滤器,所以返回false。说明布隆过滤器起到了数据过滤的作用。


五、常见面试题

1.布隆过滤器的使用场景?

(1)解决Redis缓存穿透

(2)在爬虫时,对爬虫网址进行过滤,已经存在布隆中的网址,不在爬取。

(3)垃圾邮件过滤,对每一个发送邮件的地址进行判断是否在布隆的黑名单中,如果在就判断为垃圾邮件。


2.布隆过滤器的实现原理和方式?

参照上面讲的布隆过滤器原理。


3.如何提高布隆过滤器的准确性?

使用更大的集合和同时用多个不同的hash函数计算方式。


4.你了解哪些类型的布隆过滤器实现?

(1)Google 开源的 Guava 中自带的布隆过滤器;

(2)Redis 中的布隆过滤器插件RedisBloom;


最后

以上,我们就把布隆过滤器的原理介绍完了,布隆过滤器的原理还是比较简单的,但是要实现真正的布隆过滤器算法,还需要考虑很多其他的问题:如误判率等。感兴趣的朋友可以深入研究。

布隆过滤器是什么?

           

           

布隆过滤器是什么?

布隆过滤器可以理解为一个不怎么精确的 set 结构,当你使用它的 contains 方法判断某个对象是否存在时,它可能会误判。但是布隆过滤器也不是特别不精确,只要参数设置的合理,它的精确度可以控制的相对足够精确,只会有小小的误判概率。

当布隆过滤器说某个值存在时,这个值可能不存在;当它说不存在时,那就肯定不存在。

布隆过滤器的原理

每个布隆过滤器对应的数据结构相当于一个大型的位数组和几个不一样的无偏 hash 函数。所谓无偏就是能够把元素的 hash 值算得比较均匀。

向布隆过滤器中添加 key 时,会使用多个 hash 函数对 key 进行 hash 算得一个整数索引值然后对位数组长度进行取模运算得到一个位置,每个 hash 函数都会算得一个不同的位置。再把位数组的这几个位置都置为 1 就完成了 add 操作。

向布隆过滤器询问 key 是否存在时,跟 add 一样,也会把 hash 的几个位置都算出来,看看位数组中这几个位置是否都为 1,只要有一个位为 0,那么说明布隆过滤器中这个 key 不存在。如果都是 1,这并不能说明这个 key 就一定存在,只是极有可能存在,因为这些位被置为 1 可能是因为其它的 key 存在所致。

如果这个位数组比较稀疏,判断正确的概率就会很大,如果这个位数组比较拥挤,判断正确的概率就会降低。具体的概率计算公式比较复杂。

使用时不要让实际元素远大于初始化大小,当实际元素开始超出初始化大小时,应该对布隆过滤器进行重建,重新分配一个 size 更大的过滤器,再将所有的历史元素批量 add 进去 (这就要求我们在其它的存储器中记录所有的历史元素)。因为错误率不会因为数量超出就急剧增加,这就给我们重建过滤器提供了较为宽松的时间。

stupidzhang   

码农的世界,不仅仅只有coding 

 

多学一点知识,就可以少写一行代码

       


以上是关于图解布隆过滤器,十分钟带你理解什么是布隆过滤器的主要内容,如果未能解决你的问题,请参考以下文章

布隆过滤器详解

一篇30分钟文章带您掌握布隆过滤器(Redisson)

五分钟搞懂布隆过滤器,亿级数据过滤算法值得拥有

5分钟搞懂布隆过滤器,掌握亿级数据过滤算法

5分钟搞懂布隆过滤器,掌握亿级数据过滤算法

5分钟搞懂布隆过滤器,掌握亿级数据过滤算法