写点什么

了解布隆过滤器

作者:自然
  • 2022 年 9 月 15 日
    广东
  • 本文字数:4721 字

    阅读完需:约 15 分钟

前言

文本已收录至我的 GitHub 仓库,欢迎 Star:https://github.com/bin392328206/six-finger

种一棵树最好的时间是十年前,其次是现在


絮叨

今天阅读文章,然后看到这篇文章写的不错,我就 copy 过来了,哈哈,copy 也是一个学习的过程嘛,只是说可能学习的力量没有那么强咯。

下面我们将分为几个方面来介绍布隆过滤器:

  • 什么是布隆过滤器?

  • 布隆过滤器的原理介绍。

  • 布隆过滤器使用场景。

  • 通过 Java 编程手动实现布隆过滤器。

  • 利用 Google 开源的 Guava 中自带的布隆过滤器。

  • Redis 中的布隆过滤器。

什么是布隆过滤器?

首先,我们需要了解布隆过滤器的概念。


布隆过滤器(Bloom Filter)是一个叫做 Bloom 的老哥于 1970 年提出的。我们可以把它看作由二进制向量(或者说位数组)和一系列随机映射函数(哈希函数)两部分组成的数据结构。相比于我们平时常用的的 List、Map 、Set 等数据结构,它占用空间更少并且效率更高,但是缺点是其返回的结果是概率性的,而不是非常准确的。理论情况下添加到集合中的元素越多,误报的可能性就越大。并且,存放在布隆过滤器的数据不容易删除。



位数组中的每个元素都只占用 1 bit ,并且每个元素只能是 0 或者 1。这样申请一个 100w 个元素的位数组只占用 1000000Bit / 8 = 125000 Byte = 125000/1024 kb ≈ 122kb 的空间。


总结:一个名叫 Bloom 的人提出了一种来检索元素是否在给定大集合中的数据结构,这种数据结构是高效且性能很好的,但缺点是具有一定的错误识别率和删除难度。并且,理论情况下,添加到集合中的元素越多,误报的可能性就越大。

布隆过滤器的原理介绍

当一个元素加入布隆过滤器中的时候,会进行如下操作:


  • 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(有几个哈希函数得到几个哈希值)。

  • 根据得到的哈希值,在位数组中把对应下标的值置为 1。


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:


  • 对给定元素再次进行相同的哈希计算;

  • 得到值之后判断位数组中的每个元素是否都为 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,说明该元素不在布隆过滤器中。


举个简单的例子:



如图所示,当字符串存储要加入到布隆过滤器中时,该字符串首先由多个哈希函数生成不同的哈希值,然后在对应的位数组的下表的元素设置为 1(当位数组初始化时 ,所有位置均为 0)。当第二次存储相同字符串时,因为先前的对应位置已设置为 1,所以很容易知道此值已经存在(去重非常方便)。


如果我们需要判断某个字符串是否在布隆过滤器中时,只需要对给定字符串再次进行相同的哈希计算,得到值之后判断位数组中的每个元素是否都为 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,说明该元素不在布隆过滤器中。


不同的字符串可能哈希出来的位置相同,这种情况我们可以适当增加位数组大小或者调整我们的哈希函数。


综上,我们可以得出:布隆过滤器说某个元素存在,小概率会误判。布隆过滤器说某个元素不在,那么这个元素一定不在。

布隆过滤器使用场景

我们上面已经说了布隆过滤器的原理,知道了布隆过滤器的原理之后就可以自己手动实现一个了。


如果你想要手动实现一个的话,你需要:


  • 一个合适大小的位数组保存数据

  • 几个不同的哈希函数

  • 添加元素到位数组(布隆过滤器)的方法实现

  • 判断给定元素是否存在于位数组(布隆过滤器)的方法实现。


import java.util.BitSet;
public class MyBloomFilter {
/** * 位数组的大小 */ private static final int DEFAULT_SIZE = 2 << 24; /** * 通过这个数组可以创建 6 个不同的哈希函数 */ private static final int[] SEEDS = new int[]{3, 13, 46, 71, 91, 134};
/** * 位数组。数组中的元素只能是 0 或者 1 */ private BitSet bits = new BitSet(DEFAULT_SIZE);
/** * 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]); } }
/** * 添加元素到位数组 */ public void add(Object value) { for (SimpleHash f : func) { bits.set(f.hash(value), true); } }
/** * 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; }
/** * 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))); }
}}
复制代码


测试:


      String value1 = "https://javaguide.cn/";        String value2 = "https://github.com/Snailclimb";        MyBloomFilter filter = new MyBloomFilter();        System.out.println(filter.contains(value1));        System.out.println(filter.contains(value2));        filter.add(value1);        filter.add(value2);        System.out.println(filter.contains(value1));        System.out.println(filter.contains(value2));
复制代码


Output:


falsefalsetruetrue
复制代码


测试:


 Integer value1 = 13423;        Integer value2 = 22131;        MyBloomFilter filter = new MyBloomFilter();        System.out.println(filter.contains(value1));        System.out.println(filter.contains(value2));        filter.add(value1);        filter.add(value2);        System.out.println(filter.contains(value1));        System.out.println(filter.contains(value2));
复制代码


Output:


falsefalsetruetrue
复制代码

利用 Google 开源的 Guava 中自带的布隆过滤器

自己实现的目的主要是为了让自己搞懂布隆过滤器的原理,Guava 中布隆过滤器的实现算是比较权威的,所以实际项目中我们不需要手动实现一个布隆过滤器。


首先我们需要在项目中引入 Guava 的依赖:


   <dependency>            <groupId>com.google.guava</groupId>            <artifactId>guava</artifactId>            <version>28.0-jre</version>        </dependency>
复制代码


实际使用如下:


我们创建了一个最多存放 最多 1500 个整数的布隆过滤器,并且我们可以容忍误判的概率为百分之(0.01)


 // 创建布隆过滤器对象        BloomFilter<Integer> filter = BloomFilter.create(                Funnels.integerFunnel(),                1500,                0.01);        // 判断指定元素是否存在        System.out.println(filter.mightContain(1));        System.out.println(filter.mightContain(2));        // 将元素添加进布隆过滤器        filter.put(1);        filter.put(2);        System.out.println(filter.mightContain(1));        System.out.println(filter.mightContain(2));
复制代码


在我们的示例中,当 mightContain() 方法返回 true 时,我们可以 99%确定该元素在过滤器中,当过滤器返回 false 时,我们可以 100%确定该元素不存在于过滤器中。


Guava 提供的布隆过滤器的实现还是很不错的(想要详细了解的可以看一下它的源码实现),但是它有一个重大的缺陷就是只能单机使用(另外,容量扩展也不容易),而现在互联网一般都是分布式的场景。为了解决这个问题,我们就需要用到 Redis 中的布隆过滤器了。

Redis 中的布隆过滤器

介绍

Redis v4.0 之后有了 Module(模块/插件) 功能,Redis Modules 让 Redis 可以使用外部模块扩展其功能 。布隆过滤器就是其中的 Module。详情可以查看 Redis 官方对 Redis Modules 的介绍 :https://redis.io/modules


另外,官网推荐了一个 RedisBloom 作为 Redis 布隆过滤器的 Module,地址:https://github.com/RedisBloom/RedisBloom。其他还有:


redis-lua-scaling-bloom-filter (lua 脚本实现):https://github.com/erikdubbelboer/redis-lua-scaling-bloom-filterpyreBloom(Python 中的快速 Redis 布隆过滤器) :https://github.com/seomoz/pyreBloom......RedisBloom 提供了多种语言的客户端支持,包括:Python、Java、JavaScript 和 PHP。

使用 Docker 安装

如果我们需要体验 Redis 中的布隆过滤器非常简单,通过 Docker 就可以了!我们直接在 Google 搜索 docker redis bloomfilter 然后在排除广告的第一条搜素结果就找到了我们想要的答案(这是我平常解决问题的一种方式,分享一下),具体地址:https://hub.docker.com/r/redislabs/rebloom/ (介绍的很详细 )。


➜  ~ docker run -p 6379:6379 --name redis-redisbloom redislabs/rebloom:latest➜  ~ docker exec -it redis-redisbloom bashroot@21396d02c252:/data# redis-cli127.0.0.1:6379>
复制代码

常用命令一览

注意: key:布隆过滤器的名称,item : 添加的元素。


BF.ADD:将元素添加到布隆过滤器中,如果该过滤器尚不存在,则创建该过滤器。格式:BF.ADD {key} {item}。BF.MADD : 将一个或多个元素添加到“布隆过滤器”中,并创建一个尚不存在的过滤器。该命令的操作方式 BF.ADD 与之相同,只不过它允许多个输入并返回多个值。格式:BF.MADD {key} {item} [item ...] 。*BF.EXISTS * : 确定元素是否在布隆过滤器中存在。格式:BF.EXISTS {key} {item}。BF.MEXISTS : 确定一个或者多个元素是否在布隆过滤器中存在格式:BF.MEXISTS {key} {item} [item ...]。


另外,BF.RESERVE 命令需要单独介绍一下:


这个命令的格式如下:


BF.RESERVE {key} {error_rate} {capacity} [EXPANSION expansion]。


下面简单介绍一下每个参数的具体含义:


key:布隆过滤器的名称 error_rate :误报的期望概率。这应该是介于 0 到 1 之间的十进制值。例如,对于期望的误报率 0.1%(1000 中为 1),error_rate 应该设置为 0.001。该数字越接近零,则每个项目的内存消耗越大,并且每个操作的 CPU 使用率越高。capacity: 过滤器的容量。当实际存储的元素个数超过这个值之后,性能将开始下降。实际的降级将取决于超出限制的程度。随着过滤器元素数量呈指数增长,性能将线性下降。可选参数:


expansion:如果创建了一个新的子过滤器,则其大小将是当前过滤器的大小乘以 expansion。默认扩展值为 2。这意味着每个后续子过滤器将是前一个子过滤器的两倍。


实际使用


127.0.0.1:6379> BF.ADD myFilter java(integer) 1127.0.0.1:6379> BF.ADD myFilter javaguide(integer) 1127.0.0.1:6379> BF.EXISTS myFilter java(integer) 1127.0.0.1:6379> BF.EXISTS myFilter javaguide(integer) 1127.0.0.1:6379> BF.EXISTS myFilter github(integer) 0

结尾

文章原文地址

日常求赞

好了各位,以上就是这篇文章的全部内容了,能看到这里的人呀,都是真粉


创作不易,各位的支持和认可,就是我创作的最大动力,我们下篇文章见


六脉神剑 | 文 【原创】如果本篇博客有任何错误,请批评指教,不胜感激 !

发布于: 刚刚阅读数: 3
用户头像

自然

关注

还未添加个人签名 2020.03.01 加入

小六六,目前负责营收超百亿的支付中台

评论

发布
暂无评论
了解布隆过滤器_Java core_自然_InfoQ写作社区