現有 50 億個電話號碼,如何快速準確判斷某 10 萬個電話號碼是否在這 50 億中。
如果通過數據庫查詢實現會非常慢。
如果數據預放在集合中,50 億 x 8 字節,大概需要 40 GB內存,內存浪費或不夠。
如果使用 hyperloglog 存儲,可以使用很小的內存判斷數據是否在 hyperloglog 裏,但是結果會不準確。
類似問題還有很多,例如垃圾郵件過濾、文字處理軟件(例如 Word)錯誤單詞檢測、網絡爬蟲重複 url 檢測、Hbase 行過濾等。
基於這類問題,就引出了布隆過濾器。
布隆過濾器是 1970 年伯頓.布隆提出,用很小的空間,解決上述類似問題。
1.布隆過濾器原理
實現原理:一個很長的二進制向量和若干個哈希函數。
布隆過濾器是一個 bit 向量或者說 bit 數組,長這樣:
如果我們要映射一個值到布隆過濾器中,我們需要使用多個不同的哈希函數生成多個哈希值,並對每個生成的哈希值指向的 bit 位置 1,例如針對值 “geeks” 和三個不同的哈希函數分別生成了哈希值 1、4、7,則上圖轉變爲:
我們現在再存一個值 “nerd”,如果哈希函數返回 3、4、5 的話,圖繼續變爲:
值得注意的是,4 這個 bit 位由於兩個值的哈希函數都返回了這個 bit 位,因此它被覆蓋了。
m 個二進制向量,n 個預備數據,k 個 hash 函數。構建布隆過濾器:n 個預備數據走一遍上面過程。判斷元素是否存在:走一遍上面過程,如果都是 1,則表明存在,反之不存在。
2.布隆過濾器誤差率
誤差是肯定存在的,跟 m/n 的比率和 hash 函數的個數有關係,m/n 的比率越大,誤差越低,hash 函數的個數越多,誤差越低。
1 個元素,1 個 hash 函數,任意一個比特爲 1 的概率爲 ,依然爲 0 的概率爲 ;
1 個元素,k 個 hash 函數,依然爲 0 的概率爲 ;
n 個元素,k 個 hash 函數,依然爲 0 的概率爲 ,被設置爲 1 的概率爲 ;
新元素全中的概率爲 。
3.本地布隆過濾器
現有庫:guava。使用方法非常簡單:
BloomFilter<Person> friends = BloomFilter.create(personFunnel, 500, 0.01); // 500:希望插入的個數, 0.01:期望的誤差率
for(Person friend : friendsList) {
friends.put(friend);
}
// 很久以後
if (friends.mightContain(dude)) {
//dude不是朋友還運行到這裏的概率爲1%
//在這兒,我們可以在做進一步精確檢查的同時觸發一些異步加載
}
本地布隆過濾器的問題:
- 容量受限制;
- 多個應用存在多個布隆過濾器,構建同步複雜;
4.Redis單機布隆過濾器
基於位圖實現。首先定義布隆過濾器接口:
import java.util.List;
import java.util.Map;
/**
* 布隆過濾器接口
*/
public interface BloomFilter<T> {
/**
* 添加
* @param object
* @return 是否添加成功
*/
boolean add(T object);
/**
* 批量添加
* @param objectList
* @return 是否添加成功
*/
Map<T, Boolean> batchAdd(List<T> objectList);
/**
* 是否包含
* @param object
*/
boolean contains(T object);
/**
* 是否包含
* @param object
*/
Map<T, Boolean> batchContains(List<T> objectList);
/**
* 刪除
*/
void clear();
/**
* 預期插入數量
*/
long getExpectedInsertions();
/**
* 預期錯誤概率
*/
double getFalseProbability();
/**
* 布隆過濾器總長度
*/
long getSize();
/**
* hash函數迭代次數
*/
int getHashIterations();
}
CacheCloud 布隆過濾器實現 BloomFilter 接口,看一下 add 方法的實現:
/**
* CacheCloud 布隆過濾器
*/
public class CacheCloudBloomFilter<T> implements BloomFilter<T> {
private BloomFilterBuilder config;
public CacheCloudBloomFilter(BloomFilterBuilder bloomFilterBuilder) {
this.config = bloomFilterBuilder;
}
@Override
public boolean add(T object) {
if (object == null) {
return false;
}
// 偏移量列表
List<Integer> offsetList = hash(object);
if (offsetList == null || offsetList.isEmpty()) {
return false;
}
String key = genBloomFilterDistributeKey(object);
return setBit(key, new HashSet<Integer>(offsetList));
}
/**
* 生成子布隆過濾器對應的key,使用crc16作爲分組
*/
private String genBloomFilterDistributeKey(T object) {
int hashcode = JedisClusterCRC16.getCRC16(object.toString());
int segement = hashcode % (getConfig().getBloomNumber() + 1);
return getBloomFilterKey(segement);
}
/**
* 獲取布隆過濾器key
*/
private String getBloomFilterKey(int index) {
return getName() + ":" + index;
}
public String getName() {
return getConfig().getName();
}
public BloomFilterBuilder getConfig() {
return config;
}
public HashFunction getHashFunction() {
return getConfig().getHashFunction();
}
public List<Integer> hash(Object object) {
byte[] bytes = object.toString().getBytes();
return getHashFunction().hash(bytes, getConfig().getBloomMaxSize(), getConfig().getHashIterations());
}
}
BloomFilterBuilder 是布隆過濾器的構造器,裏面包含了很多參數,包括 JedisPool、布隆過濾器名 name、大位圖總長度 totalSize、每個小位圖(布隆過濾器)長度 bloomMaxSize、布隆過濾器個數 bloomNumber、hash函數個數 hashIterations、預期插入條數 expectedInsertions、預期錯誤概率 falseProbability、hash函數 hashFunction、是否重寫已經存在的布隆過濾器 overwriteIfExists、是否完成 done。
基於 Redis 單機實現存在的問題:
- 速度慢,比本地慢,可以考慮與應用同機房部署;
- 容量受限,Redis 最大字符串爲 512 MB,Redis 單機容量受限,可以考慮基於 Redis Cluster 實現;
5.Redis分佈式布隆過濾器
基於 Redis Cluster 實現。會使用多個布隆過濾器,二次路由。
基於 pipeline 提高效率:
/**
* pipeline setbit
*/
private boolean pipelineSetBit(String key, Set<Integer> offsetSet) {
int slot = JedisClusterCRC16.getSlot(key);
JedisPool jedisPool = getJedisCluster().getConnectionHandler().getJedisPoolFromSlot(slot);
Jedis jedis = null;
Pipeline pipeline = null;
try {
jedis = jedisPool.getResource();
pipeline = jedis.pipelined();
for (int offset : offsetSet) {
pipeline.setbit(key, offset, true);
}
pipeline.sync();
return true;
} catch (Exception e) {
logger.error(e.getMessage(), e);
return false;
} finally {
if (pipeline != null)
pipeline.clear();
if (jedis != null)
jedis.close();
}
}
/**
* pipeline get
*/
private Map<Integer, Boolean> pipelineGetBit(String key, List<Integer> offsetList) {
Map<Integer, Boolean> offsetResultMap = new HashMap<Integer, Boolean>();
int slot = JedisClusterCRC16.getSlot(key);
JedisPool jedisPool = getJedisCluster().getConnectionHandler().getJedisPoolFromSlot(slot);
Jedis jedis = null;
Pipeline pipeline = null;
try {
jedis = jedisPool.getResource();
pipeline = jedis.pipelined();
for (int offset : offsetList) {
pipeline.getbit(key, offset);
}
List<Object> objectList = pipeline.syncAndReturnAll();
int i = 0;
for (Object object : objectList) {
offsetResultMap.put(offsetList.get(i), (Boolean) object);
i++;
}
} catch (Exception e) {
logger.error(e.getMessage(), e);
} finally {
if (pipeline != null)
pipeline.clear();
if (jedis != null)
jedis.close();
}
return offsetResultMap;
}
參考:
https://hackernoon.com/probabilistic-data-structures-bloom-filter-5374112a7832
https://www.jasondavies.com/bloomfilter/
http://ifeve.com/google-guava-hashing/