哈希函數的輸出值（hash value）通常有兩種用途：一種用作地址，比如在哈希表中要存儲一個元素，首先要針對這個元素生成一個隨機地址；另一種用作fingerprint（或者叫digital summary），比如將密碼字符串hash成一個fingerprint，驗證時進行覈對。今天我要介紹的這種存儲信息的方式將以上兩種用途結合了起來：一個hash value分作兩部分，一部分用作存儲地址，另一部分用作fingerprint。
你也許會問，這樣有什麼好處嗎？當然有。上篇文章中提到了一種基於perfect hashing的方法，它用了兩步存儲每個元素的fingerprint。第一步用了一個（perfect）哈希函數生成了這個元素的存儲地址，第二步用了另一個哈希函數生成這個元素的fingerprint，然後將fingerprint存儲到第一步生成的地址中。由此可見，如果一個hash value能夠完成兩步工作，就省去了一半的工作量。
另外，我們要存儲的其實是集合中每個元素的fingerprint，一個哈希函數生成很大的一個hash value會讓碰撞的機率很小，從而讓false positive的概率變小。通過將這個很大的hash value中的一部分信息用作地址，其實相當於把fingerprint壓縮了：信息一點沒少，存儲位置本身就包含了一部分信息。
現在我們使用一個哈希函數，將它的hash value分作兩部分，高位部分用作隨機地址，低位部分留作fingerprint。如果我們用這一個哈希函數存儲一個集合，會有什麼問題？在基於perfect hashing的方法中，第一步用的哈希函數是perfect hash function，也就是說一個集合的n個元素會映射到n個bucket中，沒有碰撞。由於perfect hash function不能應對變動的集合，並且對大多數應用來說開銷太大，所以上述所說的一個哈希函數並不是perfect hash function。由此可知碰撞會產生，並且各個bucket的負載並不均衡，實際上單個哈希函數hash value的分佈服從泊松（Poisson）分佈。
說到這裏，文章還沒有提到d-Left Counting Bloom Filter，其實上面描述的也就是它的構造過程。我們從一個hash value同時用作地址和fingerprint出發，試圖構造一個簡潔的存儲方式來存儲一個集合的fingerprints，現在遇到了一個問題，就是負載不均衡。d-Left Counting Bloom Filter中的d-Left指的是d-Left hashing，解決的就是負載均衡問題。