一文讀懂BloomFilter

# 前言 你在開發或者面試過程中，有沒有遇到過**海量數據需要查重**，**緩存穿透**怎麼避免等等這樣的問題呢？下面這個東西超屌，好好了解下，面試過關斬將，凸顯你的不一樣。

Bloom Filter 概念

布隆過濾器（英語：Bloom Filter）是1970年由一個叫布隆的小夥子提出的。它實際上是一個很長的二進制向量和一系列隨機映射函數。布隆過濾器可以用於檢索一個元素是否在一個集合中。它的優點是空間效率和查詢時間都遠遠超過一般的算法，缺點是有一定的誤識別率和刪除困難。

Bloom Filter 原理

布隆過濾器的原理是，當一個元素被加入集合時，通過K個散列函數將這個元素映射成一個位數組中的K個點，把它們置爲1。檢索時，我們只要看看這些點是不是都是1就（大約）知道集合中有沒有它了：如果這些點有任何一個0，則被檢元素一定不在；如果都是1，則被檢元素很可能在。這就是布隆過濾器的基本思想。

Bloom Filter跟單哈希函數Bit-Map不同之處在於：Bloom Filter使用了k個哈希函數，每個字符串跟k個bit對應。從而降低了衝突的概率。

緩存穿透

每次查詢都會直接打到DB

簡而言之，言而簡之就是我們先把我們數據庫的數據都加載到我們的過濾器中，比如數據庫的id現在有：1、2、3

那就用id：1 爲例子他在上圖中經過三次hash之後，把三次原本值0的地方改爲1

下次數據進來查詢的時候如果id的值是1，那麼我就把1拿去三次hash 發現三次hash的值，跟上面的三個位置完全一樣，那就能證明過濾器中有1的

反之如果不一樣就說明不存在了

那應用的場景在哪裏呢？一般我們都會用來防止緩存擊穿

簡單來說就是你數據庫的id都是1開始然後自增的，那我知道你接口是通過id查詢的，我就拿負數去查詢，這個時候，會發現緩存裏面沒這個數據，我又去數據庫查也沒有，一個請求這樣，100個，1000個，10000個呢？你的DB基本上就扛不住了，如果在緩存裏面加上這個，是不是就不存在了，你判斷沒這個數據就不去查了，直接return一個數據爲空不就好了嘛。

這玩意這麼好使那有啥缺點麼？有的，我們接着往下看

Bloom Filter的缺點

bloom filter之所以能做到在時間和空間上的效率比較高，是因爲犧牲了判斷的準確率、刪除的便利性

• 存在誤判，可能要查到的元素並沒有在容器中，但是hash之後得到的k個位置上值都是1。如果bloom filter中存儲的是黑名單，那麼可以通過建立一個白名單來存儲可能會誤判的元素。

• 刪除困難。一個放入容器的元素映射到bit數組的k個位置上是1，刪除的時候不能簡單的直接置爲0，可能會影響其他元素的判斷。可以採用Counting Bloom Filter

Bloom Filter 實現

布隆過濾器有許多實現與優化，Guava中就提供了一種Bloom Filter的實現。

在使用bloom filter時，繞不過的兩點是預估數據量n以及期望的誤判率fpp，

在實現bloom filter時，繞不過的兩點就是hash函數的選取以及bit數組的大小。

對於一個確定的場景，我們預估要存的數據量爲n，期望的誤判率爲fpp，然後需要計算我們需要的Bit數組的大小m，以及hash函數的個數k，並選擇hash函數

(1)Bit數組大小選擇

  根據預估數據量n以及誤判率fpp，bit數組大小的m的計算方式：

(2)哈希函數選擇

​ 由預估數據量n以及bit數組長度m，可以得到一個hash函數的個數k：

​ 哈希函數的選擇對性能的影響應該是很大的，一個好的哈希函數要能近似等概率的將字符串映射到各個Bit。選擇k個不同的哈希函數比較麻煩，一種簡單的方法是選擇一個哈希函數，然後送入k個不同的參數。

哈希函數個數k、位數組大小m、加入的字符串數量n的關係可以參考Bloom Filters - the math，Bloom_filter-wikipedia

要使用BloomFilter，需要引入guava包：

 <dependency>
            <groupId>com.google.guava</groupId>
            <artifactId>guava</artifactId>
            <version>23.0</version>
 </dependency>    

測試分兩步：

1、往過濾器中放一百萬個數，然後去驗證這一百萬個數是否能通過過濾器

2、另外找一萬個數，去檢驗漏網之魚的數量

public class TestBloomFilter {
    private static int total = 1000000;
    private static BloomFilter<Integer> bf = BloomFilter.create(Funnels.integerFunnel(), total);
//    private static BloomFilter<Integer> bf = BloomFilter.create(Funnels.integerFunnel(), total, 0.001);

    public static void main(String[] args) {
        // 初始化1000000條數據到過濾器中
        for (int i = 0; i < total; i++) {
            bf.put(i);
        }

        // 匹配已在過濾器中的值，是否有匹配不上的
        for (int i = 0; i < total; i++) {
            if (!bf.mightContain(i)) {
                System.out.println("有壞人逃脫了~~~");
            }
        }

        // 匹配不在過濾器中的10000個值，有多少匹配出來
        int count = 0;
        for (int i = total; i < total + 10000; i++) {
            if (bf.mightContain(i)) {
                count++;
            }
        }
        System.out.println("誤傷的數量：" + count);
    }
}

運行結果：

運行結果表示，遍歷這一百萬個在過濾器中的數時，都被識別出來了。一萬個不在過濾器中的數，誤傷了320個，錯誤率是0.03左右。

看下BloomFilter的源碼：

 public static <T> BloomFilter<T> create(Funnel<? super T> funnel, int expectedInsertions) {
        return create(funnel, (long) expectedInsertions);
    }

    public static <T> BloomFilter<T> create(Funnel<? super T> funnel, long expectedInsertions) {
        return create(funnel, expectedInsertions, 0.03); // FYI, for 3%, we always get 5 hash functions
    }

    public static <T> BloomFilter<T> create(
            Funnel<? super T> funnel, long expectedInsertions, double fpp) {
        return create(funnel, expectedInsertions, fpp, BloomFilterStrategies.MURMUR128_MITZ_64);
    }

    static <T> BloomFilter<T> create(
            Funnel<? super T> funnel, long expectedInsertions, double fpp, Strategy strategy) {
     ......
    }

BloomFilter一共四個create方法，不過最終都是走向第四個。看一下每個參數的含義：

funnel：數據類型(一般是調用Funnels工具類中的)

expectedInsertions：期望插入的值的個數

fpp 錯誤率(默認值爲0.03)

strategy 哈希算法(我也不懂啥意思)Bloom Filter的應用

在最後一個create方法中，設置一個斷點：

上面的numBits，表示存一百萬個int類型數字，需要的位數爲7298440，700多萬位。理論上存一百萬個數，一個int是4字節32位，需要481000000=3200萬位。如果使用HashMap去存，按HashMap50%的存儲效率，需要6400萬位。可以看出BloomFilter的存儲空間很小，只有HashMap的1/10左右

上面的numHashFunctions，表示需要5個函數去存這些數字

使用第三個create方法，我們設置下錯誤率：

private static BloomFilter<Integer> bf = BloomFilter.create(Funnels.integerFunnel(), total, 0.0003);

再運行看看：

此時誤傷的數量爲4，錯誤率爲0.04%左右。

當錯誤率設爲0.0003時，所需要的位數爲16883499，1600萬位，需要12個函數

和上面對比可以看出，錯誤率越大，所需空間和時間越小，錯誤率越小，所需空間和時間約大

常見的幾個應用場景：

• cerberus在收集監控數據的時候, 有的系統的監控項量會很大, 需要檢查一個監控項的名字是否已經被記錄到db過了, 如果沒有的話就需要寫入db.

• 爬蟲過濾已抓到的url就不再抓，可用bloom filter過濾

• 垃圾郵件過濾。如果用哈希表，每存儲一億個 email地址，就需要 1.6GB的內存（用哈希表實現的具體辦法是將每一個 email地址對應成一個八字節的信息指紋，然後將這些信息指紋存入哈希表，由於哈希表的存儲效率一般只有 50%，因此一個 email地址需要佔用十六個字節。一億個地址大約要 1.6GB，即十六億字節的內存）。因此存貯幾十億個郵件地址可能需要上百 GB的內存。而Bloom Filter只需要哈希表 1/8到 1/4 的大小就能解決同樣的問題。

總結

布隆過濾器主要是在回答道緩存穿透的時候引出來的，文章裏面還是寫的比較複雜了，很多都是網上我看到就複製下來了，大家只要知道他的原理，還有就是知道他的場景能在面試中回答出他的作用就好了。