布隆過濾器是1970年由布隆提出的。他其實是一個很長的二進制向量外加一系列的隨機函數函數來組成。
在正式說到布隆過濾器時，我們要先聊這樣一個話題：
在解決工程類問題時，很多問題的回答並不是只有這兩種布爾狀態：
是 or 否
而可能是這兩種狀態：
一定沒有 or 可能有
亦或者可能是這兩種狀態：
一定有 or 可能沒有
針對以上的背景，我們來舉這樣一個例子：
已知：
從火車站打車到機場，12點出發，在不堵車的情況下，耗時約50分鐘
問題1，如果12點打車出發的話，12點10分會到麼？
答：一定不會
問題2，如果12點打車出發的話，12點50會到麼？
答：不一定會
針對於問題1，問題2的回答，對我們來說也是有幫助的，並不是說毫無用處。
比如你要給司機打電話，詢問是否到達機場，12點10分你肯定不會打電話，這樣的問題沒有意義，還可能會影響司機的駕駛，而12點50你可能就會打電話了，因爲這時候大概率是已經到了。
布隆過濾器就是這樣的一種數據結構，他不像set或者map等判定是某樣東西在或者不在，(防盜連接：本文首發自http://www.cnblogs.com/jilodream/ )而是用來判定某樣東西在集合中：
1，一定不存在
2，可能存在
下面我們來給出一個布隆過濾器的簡單實現：
如上圖
第一步，像hashmap一樣，我們需要準備一個長度爲N的桶
第二步，準備三個hash方法，他們會根據傳入對象的key，計算出一個index值
第三步，根據計算得到的3個index值，將桶上對應的位置的值設置爲1
這樣一個布隆過濾器就算做好了。
如何使用呢？
如圖，我們先對對象A進行hash運算，得出3個index值，更新到桶中
接着我們可能還會添加不同的對象到桶中，像下圖這個樣子：
然後我們依次對要檢測的對象A、B、C 進行hash1()，hash2() ,hash3()的運算，再根據運算結果匹配桶中相應位置的值時候爲1，從而得出下邊這張圖，
比如在桶中，
index：1 （爲1）3（爲1）6（爲0），因此對象B一定不存在
index：1 （爲1）3（爲1）5（爲1），因此A對象可能存在
這樣做對我們實際業務有什麼用呢？換句話說布隆過濾器有什麼應用場景呢？
在回答這個問題之前，我們要首先明確一點，布隆過濾器不是業務數據的緩存，只是一個用來判斷數據不存在性的緩存，
所以我們纔將其稱爲布隆過濾器，而不是布隆緩存。
因此我們可以將其作爲一個後期需要複雜操作的一個前置過濾判斷，如：
1、底層的查詢邏輯非常複雜，而且性能低下，可以通過布隆過濾器先過濾掉一批請求，降低後臺壓力。
2、 白名單安全校驗：如果過濾器中判定不存在的數據可以直接設定爲安全數據，直接進行安全操作，否則纔會近一步的進行安全管控。
如果數據的存在性發生變化，布隆過濾器是否允許對添加過的元素刪除？
傳統的布隆過濾器是不允許刪除的！
原因如下：
1、無法確定元素是否存在，如果是可能存在的結果，此時會導致誤刪。
2、即使真的確定元素是存在的，也無法刪除。因爲不確定對應的value是否也存在其他元素的映射。
(防盜連接：本文首發自http://www.cnblogs.com/jilodream/ )
應該如何設置hash函數的個數和布隆過濾器的長度呢？
很顯然，如果布隆過濾器的長度設置的過小的話，很快所有的位置都會爲1， 此時過濾的結果都是可能存在，
模糊結果的概率就會加大。如果設置的過大的話，則大部分空間都是0，此時又浪費了空間。
就像hashmap一樣，一方面要做到不浪費空間，另外一方面要做到儘可能的降低碰撞。
所以我們需要根據hash 的個數，過濾器的長度，可能存在的元素的數量，對模糊結果的概率（誤判率）得出一個估算。
總體的形式如下：
上圖是誤判率的計算公式。
下圖是對應的概率曲線。
k爲hash公式個數，m爲桶數，p爲誤判率的，n代表數據量
這裏還有一些其他方面的問題：
1、布隆過濾器是不是更浪費空間？
並沒有，傳統過濾器的桶是使用bit來存值的，每個槽位只佔用一個1個bit位
2、多個hash之前的計算有重疊怎麼辦，比如hash1和hash2的運算結果相同，這樣就會使碰撞的概率變大？
這裏可以採用每個hash值對應一個單獨的小桶（或大桶的一部分）來存放，去除掉結果重複的影響。