布隆过滤器（Bloom Filters）的原理及代码实现（Java）

布隆过滤器是什么？

布隆过滤器是一个高效的数据结构，用于集合成员查询，具有非常低的空间复杂度。

标准布隆过滤器（Standard Bloom Filters，SBF）

基本情况

布隆过滤器是一个含有 m 个元素的位数组（元素为 0 或 1），在刚开始的时候，它的每一位都被设为 0。同时还有 k 个独立的哈希函数 h1, h2,..., hk 。需要将集合中的元素加入到布隆过滤器中，然后就可以支持查询了。说明如下：

• 计算 h1(x), h2(x),...,hk(x)，其计算结果对应数组的位置，并将其全部置 1。一个位置可以被多次置 1，但只有一次有效。

• 当查询某个元素是否在集合中时，计算这 k 个哈希函数，只有当其计算结果全部为 1 时，我们就认为该元素在集合内，否则认为不在。

• 布隆过滤器存在假阳性的可能，即当所有哈希值都为 1 时，该元素也可能不在集合内，但该算法认为在里面。假阳性出现的概率被哈希函数的数量、位数组大小、以及集合元素等因素决定。

假阳性率评估

为了评估假阳性率，需要基于一个假设：哈希函数都是完美随机的。约定几个变量：

1. k 哈希函数的数量

2. n 集合 S 中元素的数量

3. m 位数组的大小

4. p 位数组中某一位为 0 的概率

5. f 假阳性的概率

最后得出：

最佳的哈希函数数量

根据数学推理得（过程就算了）：当 p = 1/2, k = ln2 * (m/n)时，f 最小为(1/2)^k

可以看出，当位数组中有一半零一半一时，结果最好。

事实上，m 是 n 的倍数，而且 k 常取最接近但小于理论值的整数值。

部分布隆过滤器（partial bloom filters）

计算布隆过滤器（Counting Bloom Filters，CBF）

标准的布隆过滤器有一个致命的缺点：不支持删除元素。CBF 协议解决的这个问题。

• 将标准布隆过滤器中的位数组变成整数数组，即可以用多位表示。

• 标准布隆过滤器每个位置可以被多次置 1，但只有一次有效，这样，某一个位置被多个元素哈希映射，当要删除其中一个元素时，该元素哈希映射的位置都应该变为零，那么就会破坏其他元素的映射，会出现假阴性。

• 由于计算布隆过滤器的数组可以表示更大的整数，那么当某个位置被映射到时，该位置的计数值就自增 1，而当某个元素被删除时，就将其映射位置的计数值减 1。这样就解决了 SBF 的问题。

• CBF 同样存在问题，因为当计数值自增时可能会溢出，当计数值为 4 比特时，溢出的概率为：1.37 * 10^-15 * m，虽然很低，但对某些应用可能不够。一个简单的解决方法是，当计数值到达最大值时，就不再自增，但这导致假阴性。

压缩布隆过滤器（Compressed Bloom Filters）

• 在网络应用中，布隆过滤器通常被作为信息在各节点间传送，为了节约资源，自然而然就想能不能压缩布隆过滤器后再传送。

• 由前面我们知道，要使得布隆过滤器有最小的假阳性概率，数组中包含的 0 或 1 的概率应该是一样的，根据香农编码原理（Shannon coding principle），这样的布隆过滤器不能被压缩。虽然这样的布隆过滤器不能被直接压缩，但我们可以用其他方法达到一样的效果。

• 要使得布隆过滤器 x 与布隆过滤器 y（ 包含的 0 或 1 的概率应该是一样的）具有相同的假阳性概率，那么，x 的大小要大于 y 的，x 的哈希函数的数量不同于 y 的，这样 x 中包含的 0 和 1 的数量就不同，x 就可以被压缩。

•  问题出来了，压缩布隆过滤器的原因是更节省空间，我们找了个更大的布隆过滤器压缩，那么压缩后的布隆过滤器的空间效率比原布隆过滤器更加优秀吗？是的。

• 压缩后，布隆过滤器的本地存储空间会变大，但哈希函数数量会变小（更少的映射操作）、传送的位更少。

D-left 计算布隆过滤器（D-left Counting Bloom Filters）

上面提到的计算布隆过滤器存在这样的缺点：存储空间是标准布隆过滤器的数倍（取决于计数值的位数）和计数值的不均匀（有些始终为 0，有些则可能溢出）。下面看看 D-left Counting Bloom Filters 的特点。D-left Counting Bloom Filters 基于 D-left Hashing。

D-left Hashing 基本结构

• 将一个哈希表分成几个不相交的子表（subtable）

• 每个子表里都有数量相同的桶（bucket）

• 每个桶里都有一定数量的单元（cell，单元包括特征值和计数值）

• 每个单元都是固定的位数组成，用来保存元素的特征值（fingerprint）

• 只有一个哈希函数，该哈希函数可以生成和子表数量相同的桶地址和一个特征值

插入操作

假设有 d 个子表，元素为 x，哈希函数为 f

• 计算 f(x)，生成桶地址 addr0, addr1, ..., addr(d-1)，特征值 p

• 我们检查子表 i 中地址为 addri 的桶中的所有单元（i = 0，1，...，d-1）

• 如果某个单元中的特征值和 p 相等，那么元素 x 就在该哈希表中

• 若没有找到这样的单元，那么需要找到存储特征值最少的桶（在上面生成的桶地址中找），然后将该特征值 p 随机放入该桶的一个空单元中，该单元的计数值变为 1，这考虑了装载平衡

D-left Counting Bloom Filters

由上可知，d-left Hashing 的计数值最大为零，不支持删除操作，为了将它变成可 Counting，可以让它的计数值变成由多位组成。但这样依然会出现问题，如下：

• 假设 d-left counting bloom filter 包含 4 个子表，每个子表又包含 4 个桶，初始为空。

• 现在有两个元素 x 和 y 需要映射到过滤器中，f(x) = (1, 1, 1, 1，r), f(y) = (1, 2, 3, 4, r)

• 已知插入 x 时，第四个子表的第一个桶最空，x 的特征值 r 被插入该桶的某一个单元中，该单元计数值变为 1，而插入 y 时，第一个子表的第一个桶最空，y 的特征值 r 被插入该桶的某一个单元中，该单元计计数值变为 1

• 现在要删除 x，那么就会寻找每个子表的第一个桶中的单元，这时，在第一个子表的第一个桶中找到了特征值 r，接下来就会将该单元的计数值减 1 变为 0，同时，存储的特征值被删除，变为空。

• 现在查找 x 是否在表中，结果返回真，而查询 y 是否在表中，结果返回假，导致错误。

为什么会出现上面的情况？由三个因素促成

• x 和 y 有相同的特征值 r

• f(x) 和 f(y) 生成的地址有相同的

• x 和 y 特征值存储的地方还不一样（存一样就不会出错）

如何解决？

说实话，没看懂英文描述的内容。。。。大致是做了排列置换等操作

性能分析

比普通的计算布隆过滤器空间少了一半甚至更多，而且效率也有提升（假阳性更低）

Spectral Bloom Filters

Counting Bloom Filters 可以进行元素的删除操作，然而却不能记录一个元素被映射的频率，而且很多应用中元素出现的频率相差很大，也就是说，CBF 中每个计数值的位数一样，那么有些计数值很快就会溢出，而另一些则一直都很小。这些问题可以被 Spectral Bloom Filters 解决。

在 SBF 中，每一个计数值的位数都是动态改变的。它的构造我没看懂，先留着吧

Dynamic Counting Filters

Spectral bloom filter 被提出来解决元素频率查询问题，但是，它构造了一个复杂的索引数据结构去解决动态计算器的存储问题。Dynamic counting bloom filter（比 SBF 好理解多了） 是一个空间时间都很高效的数据结构，支持元素频率查询。相比于 SBF，在实际应用中（计数器不是很大，改变不是很频繁时）它有更快的访问时间和更小的内存消耗。

构成部分

• DCBF 由两部分组成，第一部分是基础的计算布隆过滤器

• 第二部分是一个同样大小的向量，用于记录第一部分中计算器溢出的次数

• 第一部分中的计算器位数固定，第二部分中每个溢出计算器位数动态改变

特点

• 当第二部分溢出计算器也面临溢出时，会重新申请一个向量，给要溢出部分增加位数，其他溢出计算器直接拷贝到新的向量中的对应位置，旧的向量会被释放

学习案例

Summary Cache

在网络中有极大的资源请求，如果所有的请求都由服务器来处理，网络就会出现拥堵，性能就会下降。所以网络中有大量的中间代理节点。这些代理会把一部分资源放在自己的本地缓存，当用户向服务器请求资源时，该代理先会检查该资源是否在自己的缓存中，如果在就直接发送给用户，否则再向服务器请求。

一个代理能够存储的资源是非常有限的，为了进一步减轻服务器的负载，网络中相邻的代理都可以共享自己的缓存。这样，当代理 A 本地缓存没有时，就会向相邻代理广播请求，查询他们是否有该缓存。

然而，这样依旧有很大问题，假设，这里有 N 个代理，每个代理的命中率为 H，一个代理平均请求 R 次，那么广播中，一个代理收到的查询信息共有 (N-1) * (1-H) * R 条，总共的请求也就是 N * (N-1) * (1-H) * R。这是非常低效的。

再次改进，各个代理之间交换自己缓存的摘要信息。这样，当代理 A 失败后，会先查询各个代理的摘要信息，然后决定是定向向某个代理请求，还是向服务器请求资源。这就大大的减少了网络通信量。为了满足快速查询、更新摘要信息，一个非常好的选择就是计算布隆过滤器（Counting bloom filters）。

IP Traceback 网络中存在许多攻击，有时候需要根据一些数据包去还原 IP 路径，找到攻击者。一个可行的办法是在路由器中存储数据包信息。然而，有些网络中通信量巨大，存储所有的包是不现实的，因此可以存储这些包的摘要信息。这时，选用布隆过滤器可以极大的节省空间，而且具有非常快的查询。

代码实现

 1 // package BloomFilters;  2   3 import java.util.Arrays;  4 import java.util.Random;  5 import java.io.*;  6 import java.math.BigInteger;  7 import java.nio.*;  8 import java.nio.charset.StandardCharsets;  9 import java.nio.file.Path; 10 import java.util.*; 11  12 /** 13  * 实现标准布隆过滤器的类 14  */ 15 public class SBFilters { 16     // 实例字段 17     private boolean[] bitArray; //位数组 18     private int[][] hashParams; //随机的哈希函数参数 19  20     // 方法字段 21     public SBFilters(int tLen, int[] iSet) 22     { 23         this.bitArray = new boolean[tLen]; 24         Arrays.fill(this.bitArray, Boolean.FALSE); 25         this.construction_filter(iSet); 26     } 27  28     private boolean construction_filter(int[] iSet) 29     { 30         if(iSet == null || iSet.length == 0) 31         { 32             return false; 33         } 34         var hashNum = (int)(Math.log(2) * (this.bitArray.length / iSet.length)); 35         this.construction_hashParams(hashNum); 36         for(var item: iSet) 37         { 38             for(var params: this.hashParams) 39             { 40                 this.bitArray[hash_function(params, item)] = true; 41             } 42         } 43         return true; 44     } 45  46     private boolean construction_hashParams(int hashNum) 47     { 48         this.hashParams = new int[hashNum][3]; 49         var time = System.currentTimeMillis(); 50         var rd = new Random(time); 51         for(int i = 0; i < hashNum; i++) 52         { 53             this.hashParams[i][0] = rd.nextInt(9999) + 1; 54             this.hashParams[i][1] = rd.nextInt(9999) + 1; 55             this.hashParams[i][2] = rd.nextInt(9999) + 1; 56         } 57         return true; 58     } 59  60     private int hash_function(int[] params, int item) 61     { 62         return (int)((params[0] * Math.pow(item, 2.0) +  63             params[1] * item + params[2]) % bitArray.length); 64     } 65  66     public boolean query_filter(int item) 67     { 68         for(var params: this.hashParams) 69         { 70             if(this.bitArray[hash_function(params, item)] == false) 71             { 72                 return false; 73             } 74         } 75         return true; 76     } 77      78 } 79  80  81  82 // package BloomFilters; 83  84  85  86  87 /** 88  * 用来测试实现的布隆过滤器是否正常工作 89  */ 90 public class FiltersTest 91 {   92     public static void main(final String[] args)  93     { 94         test_counting_bloom_filters(); 95     } 96  97  98     private static void test_counting_bloom_filters() 99     {100         var iSet = new int[10000];101         for(int i = 0; i < 10000; iSet[i] = i++);102         SBFilters sbFilter = new SBFilters(999999, iSet);103        104         for(var item: new int[]{1, 3, 5, 78, 99, 100, 101, 9999, 10000, 3534})105         {106             var isIn = sbFilter.query_filter(item);107             if(isIn == false)108             {109                 System.out.printf("%d is not in the filter\n", item);110             }111             else112             {113                 System.out.printf("%d is in the filter\n", item);114             }115         }116     }117 118     119 }

原文地址：https://www.cnblogs.com/Gouhongshen/p/13519717.html