前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差

详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差

作者头像
全栈程序员站长
发布2022-11-08 15:37:30
1.1K0
发布2022-11-08 15:37:30
举报
文章被收录于专栏:全栈程序员必看

1.什么是布隆过滤器

布隆过滤器是一个叫“布隆”的人提出的,本质上布隆过滤器是一种数据结构,比较巧妙的概率型数据结构(probabilistic data structure)。它本身是一个很长的二进制向量,特点是高效地插入和查询,可以用来确定 “某一条数据一定不存在或者可能存在一个集合中”

相比于传统的 List、Set、Map 等数据结构,它更高效、占用空间更少(因为是个二进制的向量),但是缺点是其返回的结果是概率性的,而不是确切的。

2.布隆过滤器数据结构

布隆过滤器是一个 bit 向量或者说 bit 数组,长度为8的布隆过滤器,默认值都是0,就像下面这样:

详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差
详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差

如果我们要映射一个值到布隆过滤器中,需要使用多个不同的哈希函数生成多个哈希值,并将bit向量里位置 等于哈希值的元素设置为1。例如针对值 userId=10的数据 进行三个不同的哈希函数分别生成了哈希值 1、4、7,则布隆过滤器转变为:

详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差
详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差

我们现在再存一个值 userId=18的数据,如果三次哈希函数返回0、 4、6 的话,布隆过滤器图继续变为:

详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差
详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差

需要注意的是:bit向量index=4位置由于两个值的哈希函数都返回了这个 bit 位,因此它被覆盖了。现在如果想查询 userId=20 这个数据在布隆过滤器中是否存在,三次哈希函数返回了 1、5、7三个值,结果发现 bit向量index=4位置的值为 0,说明没有任何一个值映射到这个 bit 位上,因此我们可以很确定地说userId=20 这个数据不存在布隆过滤器中。

而当查询 userId=10 这个数据是否存在的话,那么三次哈希函数必然会返回 1、4、7,然后我们检查发现这三个 bit 位上的值均为 1,那么可以说 userId=10 这个数据在布隆过滤器中存在了么?答案是不一定,只能是 userId=10 这个值可能存在。为什么是这样呢?因为随着增加的数据越来越多,被置为 1 的 bit 位也会越来越多,比如某个userId=1的数据即使没有被存储过,但是万一三次哈希后返回的三个 bit 位都被其它值置位了 1 ,那么还是不能判断 userId=1 这个值在布隆过滤器中存在。

所以得出了布隆过滤器的结论:可以用来确定某一条数据一定不存在 或 者可能存在于一个集合中,不能判断一定存在。

3.如何选择哈希个数和长度

知道了Bloom Filter的原理后,那么如何选择哈希函数个数 和 布隆过滤器长度呢?很显然,布隆过滤器长度过小,所有的 bit 位很快就均为 1了,那么查询任何值都会返回“可能存在”,起不到过滤的目的。布隆过滤器的长度会直接影响误报率,布隆过滤器越长其误报率越小。

另外,哈希函数的个数也需要权衡,个数越多则布隆过滤器 所有 bit 位被置1的速度越快,且布隆过滤器的效率越低;但是如果太少的话,那我们的误报率会变高。

先来看网上的一张统计的图:k 为哈希函数个数,m 为布隆过滤器长度,n 为插入的元素个数,p 为误报率。

详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差
详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差

从上图的统计结果,可以得出几个结论:

  • (1)当布隆过滤器长度m 、插入的元素个数n一定时,哈希函数个数k越小,隆过滤器误报率p就越大。
  • (2)当布隆过滤器哈希函数个数k、插入的元素个数n一定时,布隆过滤器长度m越小,隆过滤器误报率p就越大。

那么如何选择适合业务的 k 和 m 值呢,这里有一个公式:

详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差
详解布隆过滤器原理,及分布式运用方法_布隆过滤器最小误差

k 为哈希函数个数,m 为布隆过滤器长度,n 为插入的元素个数,p 为误报率。一般可以根据自己的业务场景确认出插入元素个数n 和 误报率p。关于公式是如何推导出来的,网上很多大家自行百度一下。

4.最佳实践

(1)应用场景

  • (1)黑名单:比如邮件黑名单过滤器,判断邮件地址是否在黑名单中、内网系统用IP黑白名单防止网络爬虫等。
  • (2)防止Redis缓存击穿。

(2)布隆过滤器实现

1)guava布隆过滤器

布隆过滤器实现难点的在于如何设计随机映射函数、到底进行几次hash映射,二进制向量的长度设置为多少比较好,这些开发起来都比较困难,好在Google大佬在guava已经为我们封装了布隆过滤器实现。

maven坐标

代码语言:javascript
复制
<!--guava:布隆过滤器-->
<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>19.0</version>
</dependency>

实现代码

代码语言:javascript
复制
public class BloomFilterObj {
    //预计要插入元素个数
    private static int size = 1000000;
    //期望的误判率
    private static double fpp = 0.01;
    //布隆过滤器
    private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size, fpp);

    public static void main(String[] args) {
        HashMap 
        //插入数据
        for (int i = 0; i < 1000000; i++) {
            bloomFilter.put(i);
        }
        int count = 0;
        for (int i = 1000000; i < 3000000; i++) {
            if (bloomFilter.mightContain(i)) {
                count++;
                System.out.println(i + "误判了");
            }
        }
        System.out.println("总共的误判数:" + count);
    }
}

上面实例执行结果:

代码语言:javascript
复制
//最后几行输出
2999753误判了
2999838误判了
2999923误判了
2999928误判了
总共的误判数:20339

guava实现布隆过滤器存在一个问题:数据是存放在本地内存中,分布式系统中无法实现布隆过滤器的共享。那怎么解决这个问题呢?可以redis来实现分布式系统的布隆过滤器。

2)分布式布隆过滤器实现

用redis来实现布隆过滤器,需要我们自己根据插入元素个数n 和 误判率p来计算出bloom filter的长度m、哈希函数个数k,无疑是一个艰辛的任务,但是我们可以参考guava中的实现。guava中布隆过滤器取hash运算运算时,为了达到更离散目的,实现原理 和 HashMap的取hash运算有点类似,都是用到高位和低位运算。

代码语言:javascript
复制
/**
* @author: feiwang_6
* @create: 2020/6/4 22:14
* @description: Redis实现布隆过滤器
*/
public class RedisBloomFilter {
//预计插入的元素个数
static final int expectedInsertions = 1000;
//期望的误判率
static final double fpp = 0.01;
//bit数组长度
private static long bitSize;
//hash函数数量
private static int numHashFunctions;
static {
bitSize = optimalNumOfBits(expectedInsertions, fpp);
numHashFunctions = optimalNumOfHashFunctions(expectedInsertions, bitSize);
}
public static void main(String[] args) {
//初始化Redis布隆过滤器
Jedis jedis = new Jedis("localhost", 6379);
for (int i = 0; i < 1000; i++) {
long[] indexArray = getIndexArray(String.valueOf(i));
for (long index : indexArray) {
jedis.setbit("bloom_key_name", index, true);
}
}
//测试布隆过滤器的误报率
int num = 0;
for (int i = 1000; i <= 2000; i++) {
long[] indexArray = getIndexArray(String.valueOf(i));
for (long index : indexArray) {
if (!jedis.getbit("bloom_key_name", index)) {
System.out.println(i + " 一定不存在");
num++;
break;
}
}
}
System.out.println("一定不存在的有 " + num + " 个");
}
/**
* 根据key获取布隆过滤器bitmap下标
* (guava的布隆过滤器实现源码)
*/
private static long[] getIndexArray(String key) {
//低32位
long hash1 = (int)hash(key);
//高32位
long hash2 = (int)(hash1 >>> 32);
long[] result = new long[numHashFunctions];
for (int i = 0; i < numHashFunctions; i++) {
long combinedHash = hash1 + i * hash2;
if (combinedHash < 0) {
combinedHash = ~combinedHash;
}
result[i] = combinedHash % bitSize;
}
return result;
}
/**
* hash计算
* @param key
* @return
*/
private static long hash(String key) {
return Hashing.murmur3_128().hashBytes(key.getBytes()).asLong();
}
/**
* 计算hash函数个数
* 根据上面公式hash函数个数k = (m / n) * log(2),需要考虑到避免因除法而截断小数部分
*  (guava的布隆过滤器实现源码)
* @param n
* @param m
* @return
*/
private static int optimalNumOfHashFunctions(long n, long m) {
return Math.max(1, (int) Math.round((double) m / n * Math.log(2)));
}
/**
* 根据上面公式计算布隆过滤器bit数组长度m 
*     (guava的布隆过滤器实现源码)
* @param n
* @param p
* @return
*/
private static long optimalNumOfBits(long n, double p) {
if (p == 0) {
p = Double.MIN_VALUE;
}
return (long) (-n * Math.log(p) / (Math.log(2) * Math.log(2)));
}
}

上面实例执行结果:

代码语言:javascript
复制
//最后几行运行结果:
1997 一定不存在
1998 一定不存在
1999 一定不存在
2000 一定不存在
一定不存在的有988个

说明:在分布式系统中使用redis,一般都是和spring集成使用,由于本地没有redis集群环境,就写了一个单机手动连接测试用例,没有真正实现分布式,但这里主要讲解的是实现思路,大同小异。

最后抛一个问题:在分布式系统中,使用redis的bit来实现bloom filter时,每次请求都会去读redis,当并发量大时每次都去读严重影响性能,那么怎么进行优化?

总结:

  • (1)不同的数据结构有不同的适用场景和优缺点,需要自己仔细权衡业务需求之后妥善适用它们,布隆过滤器就是这样。
  • (2)使用布隆过滤器来加速查找和判断是否存在,那么性能很低的哈希函数不是个好选择,大神们推荐 MurmurHash、KetamaHash、Fnv 。
  • (3)分布式服务中使用布隆过滤器时,一定要给自己预留一个初始化的接口,比如swagger接口等,在后端系统上线后先初始化布隆过滤器。

2020年06月04日 晚 于北京记

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/185190.html原文链接:https://javaforall.cn

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2022年10月6日 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

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

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1.什么是布隆过滤器
  • 2.布隆过滤器数据结构
  • 3.如何选择哈希个数和长度
  • 4.最佳实践
    • (1)应用场景
      • (2)布隆过滤器实现
        • 1)guava布隆过滤器
        • 2)分布式布隆过滤器实现
    相关产品与服务
    云数据库 Redis
    腾讯云数据库 Redis(TencentDB for Redis)是腾讯云打造的兼容 Redis 协议的缓存和存储服务。丰富的数据结构能帮助您完成不同类型的业务场景开发。支持主从热备,提供自动容灾切换、数据备份、故障迁移、实例监控、在线扩容、数据回档等全套的数据库服务。
    领券
    问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档