C++拾取——Linux下实测布隆过滤器（Bloom filter）和unordered_multiset查询效率

Posted 2022-07-29 breaksoftware

        布隆过滤器是一种判定元素是否存在于集合中的方法。其基本原理是使用哈希方法将数据映射到一个很长的向量上。在维基百科上，它被称为“空间效率和查询时间都远远超过一般的算法”的方法。由于它只保存散列的数据，所以对于很长的数据有着良好的压缩特性，这个是个不争的事实（可以参见《布隆过滤器 (Bloom Filter) 详解》）。但是其查询效率究竟如何，我们还是要实际测试一下。（转载请指明出于breaksoftware的csdn博客）

        我们选用unordered_multiset作为对比对象，是因为在《C++拾趣——STL容器的插入、删除、遍历和查找操作性能对比（ubuntu g++）——遍历和查找》中，实验验证它的查询效率是最高的。

        由于布隆过滤器存在以下特性：

• 判定不存在的一定不存在
• 判定存在的可能不存在

        实验分为两部分：

1. 查找集合中不存在的元素
2. 查找集合中存在的元素

        由于布隆过滤器存在一定的误算率，所以在1的场景下，存在判定元素存在的可能性（存在误算率）。

        我们使用的是https://github.com/ArashPartow/bloom版本的实现，它可以指定误算率。

        由于散列计算需要时间，所以数据的长度也将是一个比较因子。于是上述每个实验都有三个影响因素

1. 误算率
2. 集合大小
3. 数据长度

查找集合中不存在的元素     

不同数据长度

        在集合大小（65536）和误算率（0.1）确定的情况下，我们比较不同数据长度下，unordered_multiset、bloomfilter的构建，和它们查找1024个不存在的元素的时间消耗。

构建时间

        可以见得，查找(search)时间比构建(build)时间要少很多。

        当数据长度小于500时，bloomfilter比unordered_multiset构建时间要短。但是随着数据长度的增长，前者将花费更多的时间。也就是说unordered_multiset和bloomfilter的构建时间都符合线性增长规律，但是unordered_multiset初始耗时比bloomfilter要长，但是其增长系数比后者小。

查找时间

        再看下查找(search)时间    

        在数据长度低于80时，bloomfilter比unordered_multiset要快。但是随着数据长度的增加，前者越来越慢。当数据长度达到30000时，存在2倍多的差距。

        随着数据长度增加，bloomfilter的查找时间比unordered_multiset要长。

        上述趋势规律在数据个数比较小时也适合，只是交叉点有所变化

不同集合大小

        在数据长度（256）和误算率（0.1）确定的情况下，我们比较不同集合大小时，unordered_multiset、bloomfilter的构建，和它们查找1024个不存在的元素的时间消耗。

构建耗时

        在相同数据长度的情况下，bloomfilter比unordered_multiset构建速度要快些，而且随着集合个数增长，其优势更加明显。

查找时间

        当集合个数少于1,000,000个时，bloomfilter的查找还是比unordered_multiset慢，但是unordered_multiset随着集合大小增长会越来越慢。一旦超过阀值，unordered_multiset就永远比bloomfilter要慢了。而bloomfilter的查找速度一直比较稳定。

不同误算率

        在数据长度（256）和集合个数（1048576）确定的情况下，我们比较不同误算率下，unordered_multiset、bloomfilter的构建，和它们查找1024个不存在的元素的时间消耗。

构建时间

        因为unordered_multiset和误算率没有关系，而且数据长度和集合大小固定，所以它几乎是条直线。但是我们看到随着误算率的降低，bloomfilter的构建速度也在变慢。

查找时间

        由于unordered_multiset和误算率无关，所以其查找时间也几乎是条直线。但是随着误算率降低，bloomfilter的查找时间越来越高。

查找集合中存在的元素

        经过实验，其结果和“查找集合中不存在的元素”规律一致，这儿就不把图再罗列了。

总结：

1. 随着集合个数增长，unordered_multiset的查找速度越来越慢。而bloomfilter比较稳定。个数较少时bloomfilter比unordered_multiset慢，但是超过一定阀值，bloomfilter将比unordered_multiset快。
2. 随着数据长度增长，bloomfilter的查找速度越来越慢。而且速度比unordered_multiset慢较多。
3. 随着误算率降低，bloomfilter的查找速度越来越慢。
4. 除了内存因素外，检测bloomfilter是否是适合应用场景，需要基于上面三个因素做实验之后才能判断。

        测试代码和生成图的代码见https://github.com/f304646673/test_bloomfilter