Bloom Filter 的基本原理和实现

导语: Bloom Filter 是由 Burton H. Bloom 在 1970 年提出的二进制向量数据结构,它具有很好的空间和时间效率,被用来检测一个元素是不是集合中的一个成员。

前言

Bloom Filter 是由 Burton H. Bloom 在 1970 年提出的二进制向量数据结构,它具有很好的空间和时间效率,被用来检测一个元素是不是集合中的一个成员。

Bloom Filter 最初的论文发表在ACM,名为《Space/Time Trade-offs in Hash Coding with Allowable Errors》,感兴趣可以下载阅读。本篇主要分享 Bloom Filter 的基本原理、代码实现以及误判率的计算,看过 BitMap 那篇文章的童鞋再看这一篇会十分简单。

Bloom Filter 也就是常说的布隆过滤器,后面就统一称为 BF。

一、原理

BF 可以高效地表示集合数据,它使用长度为 m 的位数组来存储集合信息,同时使用 k 个相互独立的哈希函数将数据映射到位数组空间。

直接上图,根据图来大致梳理一下算法流程。

  1. 初始化一个长度为m的位数组,并将所有元素置为0;
  2. 对于集合 S={a1, a2,…,an} 中的任一元素a,分别使用k个哈希函数对其计算: ,并将位数组中的第 位置为1;
  3. 对S中所有的成员执行同样的操作。

基本的原理就是这么多,看一下图中的例子就能明白了。比如现在要 dantezhao 用 BF 表示,我们会用两个哈希函数分别对 dantezhao 计算,计算结果分别是5和19, 然后对位数组中的第5位和第19位分别置1即可。

当查询 dantezhao 是否在集合的时候,只需使用同样的哈希函数计算,如果对应位数组的位都为1,则说明存在。只要有任意一位为0, 则说明不存在。

二、实现

具体的实现可以直接看代码,用 Python 写的一个简单的版本,总共也就20行左右。代码和 BitMap 的代码实现很接近,不同的是,哈希函数变成了多个。

三、误判率

BF 的基本原理说起来也很简单的,但是还有一些知识点需要关注一下。比如在 BF 中,会出现误判,就是某个成员本来不在集合中,但是会被判断成在集合中。为了把误判率控制在一个可以接受的范围,我们就需要适当地调配能够影响误判率的几个因素:集合大小n、哈希函数个数k和位数组大小m。

这三个影响因素中,m和n对于误判率的影响比较直观。

集合大小n:当其它条件固定的时候,集合大小n越大,则位数组中就会更多比例的位置被置为1,因此误判率会更大。

位数组大小m:同理,当其它条件固定时,位数组大小m的值越大,那么数组中剩余为0的位就会更多,因此误判率就会更小。

哈希函数的个数k:比较难分析,比如将m和n固定,使用的哈希函数越多,则位数组中会有更多比例的位置会被置为1,即增大的误判率,但是在查询时,如果哈希函数个数越多,则被误判的可能就越小。

然后该怎么找到3个因素的最佳取值呢?这里省略推导过程,直接给出结论。

如果给定 m 和 n,当 k 取以下值时,误判率 p 的值最小:

此时误判率 p 等于:

在实际应用中,更常见的需求是,已知集合大小n,并设定好误判率p,需要计算出该给 BF 分配多大内存合适,也就是要确认m的大小,可使用如下公式解决问题:

有了这三个公式,可以在实际应用中灵活地设置各种参数来合理使用BF。

四、 总结

传统 BF 只能添加元素,不能对元素计数,也无法删除元素。如果把底层数组的 bit 换成 int,就可以支持计数和删除动作。每次插入元素时,将对应的 k 个 int 加一;查询时,返回 k 个 int 的最小值;删除时,将对应的 k 个 int 减一。这就是BF的改进版:Couting Bloom Filter,后面再来专门分享。

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏技术碎碎念

大数据量下的集合过滤—Bloom Filter

1714
来自专栏AI科技大本营的专栏

送书 | 跟我一起学《流畅的Python》

本文引自图灵新书《流畅的Python》的第一章——Python数据模型。本书由奋战在Python开发一线近20年的Luciano Ramalho执笔,Victo...

3314
来自专栏算法channel

机器学习|快速排序思想求topk

01 — Topk by quicksort 问题是求出数据集中,按照某个规则定义的元素大小,取前k个元素。 为了简化起见,直接求数值型数组的前k个最大元素。...

4248
来自专栏牛客网

头条实习面经

【每日一语】真实人生中,我们往往在大势底定无可更改时才迟迟进场,却又在胜败未分的浑沌中提早离席。——翁贝托·埃科《开头与结尾》

1172
来自专栏编程

Java8新特性第3章

Stream作为Java8的新特性之一,他与Java IO包中的InputStream和OutputStream完全不是一个概念。Java8中的Stream是对...

1917
来自专栏资深Tester

测试流程之如何设计测试用例

1613
来自专栏听雨堂

relative定位的理解

relative:对象不可层叠,但将依据left,right,top,bottom等属性在正常文档流中偏移位置。       设置此属性值为 relative ...

1737
来自专栏大史住在大前端

野生前端的数据结构基础练习(5)——散列

散列函数相关的应用非常广,例如webpack打包时在文件名中添加的哈希值,将给定信息转换为固定位数字符串的加密信息等都是散列的实际应用,感兴趣的读者可以自行搜索...

552
来自专栏Java呓语

生成器模式(分离部件构造)

生成器模式的主要功能是构建复杂的产品,而且是细化的,分步骤的构建产品,也就是生成器模式重在解决一步一步构造复杂对象的问题。如果光是这么认识生成器模式的功能是不够...

672
来自专栏丑胖侠

《Drools7.0.0.Final规则引擎教程》第4章 Function函数

Function函数 首先来看一下function函数的语法结构图: ? 函数是将语义代码放置在规则文件中的一种方式,就相当于java类中的方法一样。函数...

1918

扫码关注云+社区