布隆过滤器（Bloom Filter）原理以及应用

水深无声 2022-01-27 19:05 536阅读 0赞

参考：[https://blog.csdn.net/tlk20071/article/details/78336407][https_blog.csdn.net_tlk20071_article_details_78336407]

布隆过滤器（Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。

### hash原理 ###

Hash （哈希，或者散列）函数在计算机领域，尤其是数据快速查找领域，加密领域用的极广。  
其作用是将一个大的数据集映射到一个小的数据集上面（这些小的数据集叫做哈希值，或者散列值）。  
一个应用是Hash table（散列表，也叫哈希表），是根据哈希值 (Key value) 而直接进行访问的数据结构。也就是说，它通过把哈希值映射到表中一个位置来访问记录，以加快查找的速度。下面是一个典型的 hash 函数 / 表示意图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2EyMDA4MjIxNDYwODU_size_16_color_FFFFFF_t_70]

### 哈希函数有以下两个特点： ###

*  如果两个散列值是不相同的（根据同一函数），那么这两个散列值的原始输入也是不相同的。
 *  散列函数的输入和输出不是唯一对应关系的，如果两个散列值相同，两个输入值很可能是相同的。但也可能不同，这种情况称为 “散列碰撞”（或者  
    “散列冲突”）。

缺点： 引用吴军博士的《数学之美》中所言，哈希表的空间效率还是不够高。如果用哈希表存储一亿个垃圾邮件地址，每个email地址 对应 8bytes, 而哈希表的存储效率一般只有50%，因此一个email地址需要占用16bytes. 因此一亿个email地址占用1.6GB，如果存储几十亿个email address则需要上百GB的内存。除非是超级计算机，一般的服务器是无法存储的。

### 布隆过滤器原理 ###

如果想判断一个元素是不是在一个集合里，一般想到的是将集合中所有元素保存起来，然后通过比较确定。链表、树、散列表（又叫哈希表，Hash table）等等数据结构都是这种思路。但是随着集合中元素的增加，我们需要的存储空间越来越大。同时检索速度也越来越慢。

Bloom Filter 是一种空间效率很高的随机数据结构，Bloom filter 可以看做是对 bit-map 的扩展, 它的原理是：

当一个元素被加入集合时，通过 K 个 Hash 函数将这个元素映射成一个位阵列（Bit array）中的 K 个点，把它们置为 1。检索时，我们只要看看这些点是不是都是 1 就（大约）知道集合中有没有它了：

*  如果这些点有任何一个 0，则被检索元素一定不在；
 *  如果都是 1，则被检索元素很可能在。

### 布隆过滤器优点 ###

它的优点是空间效率和查询时间都远远超过一般的算法，布隆过滤器存储空间和插入 / 查询时间都是常数O(k)。另外, 散列函数相互之间没有关系，方便由硬件并行实现。布隆过滤器不需要存储元素本身，在某些对保密要求非常严格的场合有优势。

### 布隆过滤器缺点 ###

但是布隆过滤器的缺点和优点一样明显。误算率是其中之一。随着存入的元素数量增加，误算率随之增加。但是如果元素数量太少，则使用散列表足矣。  
(误判补救方法是：再建立一个小的白名单，存储那些可能被误判的信息。)

另外，一般情况下不能从布隆过滤器中删除元素. 我们很容易想到把位数组变成整数数组，每插入一个元素相应的计数器加 1, 这样删除元素时将计数器减掉就可以了。然而要保证安全地删除元素并非如此简单。首先我们必须保证删除的元素的确在布隆过滤器里面. 这一点单凭这个过滤器是无法保证的。另外计数器回绕也会造成问题。（google guava实现的布隆过滤器里面就没有包含删除元素）

google guava实现的布隆过滤器简单使用  
场景描述：100W个字符串信息放入到布隆过滤器，另外随机生成1W个字符串，判断他们在100W里面是否存在

<dependency>
            <groupId>com.google.guava</groupId>
            <artifactId>guava</artifactId>
            <version>19.0</version>
      </dependency>

package com.tlk.guava;
     
    import java.util.ArrayList;
    import java.util.HashSet;
    import java.util.List;
    import java.util.Set;
    import java.util.UUID;
     
    import com.google.common.base.Charsets;
    import com.google.common.hash.BloomFilter;
    import com.google.common.hash.Funnels;
     
    /**
     * google guava 布隆过滤器的使用
     * 
     * @author tanlk 2017年10月24日 下午11:44:16
     */
    public class BloomFilterTest {
        private static final int insertions = 1000000;// 100万
     
        public static void main(String[] args) {
            // 初始化一个存储string数据的布隆过滤器,默认fpp（误差率） 0.03
            BloomFilter<String> bf = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8), insertions);
     
            Set<String> set = new HashSet<String>(insertions);
            List<String> list = new ArrayList<String>(insertions);
     
            for (int i = 0; i < insertions; i++) {
                String uuid = UUID.randomUUID().toString();
                bf.put(uuid);
                set.add(uuid);
                list.add(uuid);
            }
     
            int wrong = 0; // 布隆过滤器误判的次数
            int right = 0;// 布隆过滤器正确次数
     
            for (int i = 0; i < 10000; i++) {
                String str = i % 100 == 0 ? list.get(i / 100) : UUID.randomUUID().toString();
                if (bf.mightContain(str)) {
                    if (set.contains(str)) {
                        right++;
                    } else {
                        wrong++;
                    }
                }
            }
     
            //right 为100
            System.out.println("right:" + right);
            //因为误差率为3%，所以一万条数据wrong的值在300左右
            System.out.println("wrong:" + wrong);
        }
    }

### 布隆过滤器的应用场景 ###

1.Google著名的分布式数据库Bigtable以及Hbase使用了布隆过滤器来查找不存在的行或列，以减少磁盘查找的ＩＯ次数。  
2.检查垃圾邮件地址  
假定我们存储一亿个电子邮件地址，我们先建立一个十六亿二进制（比特），即两亿字节的向量，然后将这十六亿个二进制全部设置为零。对于每一个电子邮件地址 X，我们用八个不同的随机数产生器（F1,F2, …,F8） 产生八个信息指纹（f1, f2, …, f8）。再用一个随机数产生器 G 把这八个信息指纹映射到 1 到十六亿中的八个自然数 g1, g2, …,g8。现在我们把这八个位置的二进制全部设置为一。当我们对这一亿个 email 地址都进行这样的处理后。一个针对这些 email 地址的布隆过滤器就建成了。  
3.Google chrome 浏览器使用bloom filter识别恶意链接（能够用较少的存储空间表示较大的数据集合，简单的想就是把每一个URL都可以映射成为一个bit）  
4.文档存储检索系统也采用布隆过滤器来检测先前存储的数据  
5.爬虫URL地址去重  
A,B 两个文件，各存放 50 亿条 URL，每条 URL 占用 64 字节，内存限制是 4G，让你找出 A,B 文件共同的 URL。如果是三个乃至 n 个文件呢？  
分析 ：如果允许有一定的错误率，可以使用 Bloom filter，4G 内存大概可以表示 340 亿 bit。将其中一个文件中的 url 使用 Bloom filter 映射为这 340 亿 bit，然后挨个读取另外一个文件的 url，检查是否与 Bloom filter，如果是，那么该 url 应该是共同的 url（注意会有一定的错误率）。  
6.解决缓存穿透问题  
缓存穿透是指查询一个一定不存在的数据，由于缓存是不命中时被动写的，并且出于容错考虑，如果从存储层查不到数据则不写入缓存，这将导致这个不存在的数据每次请求都要到存储层去查询，失去了缓存的意义。在流量大时，可能DB就挂掉了，要是有人利用不存在的key频繁攻击我们的应用，这就是漏洞。

伪代码如下：  
![在这里插入图片描述][20190529191440412.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2EyMDA4MjIxNDYwODU_size_16_color_FFFFFF_t_70 1]

[https_blog.csdn.net_tlk20071_article_details_78336407]: https://blog.csdn.net/tlk20071/article/details/78336407
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2EyMDA4MjIxNDYwODU_size_16_color_FFFFFF_t_70]: /images/20220126/c30e213baede4b3cb10afae9b5a95994.png
[20190529191440412.png]: /images/20220126/bafebb1bb1f64f59a5ed2810c209fde3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2EyMDA4MjIxNDYwODU_size_16_color_FFFFFF_t_70 1]: /images/20220126/41f33aafb98740daa1630ad132301ff4.png