`
zlx19900228
  • 浏览: 51578 次
  • 性别: Icon_minigender_1
  • 来自: 杭州
社区版块
存档分类
最新评论

BloomFilter解析

阅读更多

BloomFilter是用位数组来表示一个集合,例如{s1,s2,s3,s4}那么现在保持的时候,就是用一个m位的位数组来表示该集合,存放的时候是对该集合中的一个元素做khash运算,运算结果是位数组下标,然后拿到该下标,将该下标对应的值设为1,要判断一个元素是否在这个集合中,也是通过对这个元素做khash运算,拿到数组下标,判断对应下标是否为1,如果不为1,那么肯定不包含在该集合中,如果为1,那么有可能包含在次集合中,不排除误差影响。

java代码为例,比如你生产一个BitSetadd数据的时候,通过一个getIndex函数来得到相应的集合元素中对应的keyhash函数值,存入一个int数组中,然后调用bitset.set(index)将对应位置设置为true。这样就相当于把对象存放进去了,然后如果要查找对应的元素是否在集合中,只需要也给掉getIndex函数,得到对应下标,判断对应下标下值是否为true,就可以知道该元素是否属于集合中了。

 

下面是网上copybloomfilter的算法解析:

    前面我们已经提到了,Bloom Filter在判断一个元素是否属于它表示的集合时会有一定的错误率(false positive rate),下面我们就来估计错误率的大小。在估计之前为了简化模型,我们假设kn<m且各个哈希函数是完全随机的。当集合S={x1, x2,,xn}的所有元素都被k个哈希函数映射到m位的位数组中时,这个位数组中某一位还是0的概率是:

 

其中1/m表示任意一个哈希函数选中这一位的概率(前提是哈希函数是完全随机的),(1-1/m)表示哈希一次没有选中这一位的概率。要把S完全映射到位数组中,需要做kn次哈希。某一位还是0意味着kn次哈希都没有选中它,因此这个概率就是(1-1/m)的kn次方。令p = e-kn/m是为了简化运算,这里用到了计算e时常用的近似:

 

 

令ρ为位数组中0的比例,则ρ的数学期望E(ρ)= p’。在ρ已知的情况下,要求的错误率(false positive rate)为:

 

(1-ρ)为位数组中1的比例,(1-ρ)k就表示k次哈希都刚好选中1的区域,即false positive rate。上式中第二步近似在前面已经提到了,现在来看第一步近似。p’只是ρ的数学期望,在实际中ρ的值有可能偏离它的数学期望值。M. Mitzenmacher已经证明[2] ,位数组中0的比例非常集中地分布在它的数学期望值的附近。因此,第一步的近似得以成立。分别将pp’代入上式中,得:

 

相比p’和f’,使用pf通常在分析中更为方便。

最优的哈希函数个数

 

既然Bloom Filter要靠多个哈希函数将集合映射到位数组中,那么应该选择几个哈希函数才能使元素查询时的错误率降到最低呢?这里有两个互斥的理由:如果哈希函数的个数多,那么在对一个不属于集合的元素进行查询时得到0的概率就大;但另一方面,如果哈希函数的个数少,那么位数组中的0就多。为了得到最优的哈希函数个数,我们需要根据上一小节中的错误率公式进行计算。

 

 

 

先用pf进行计算。注意到f = exp(k ln(1 − e−kn/m)),我们令g = k ln(1 − e−kn/m),只要让g取到最小,f自然也取到最小。由于p = e-kn/m,我们可以将g写成

 

根据对称性法则可以很容易看出当p = 1/2,也就是k = ln2· (m/n)时,g取得最小值。在这种情况下,最小错误率f等于(1/2)k (0.6185)m/n。另外,注意到p是位数组中某一位仍是0的概率,所以p = 1/2对应着位数组中01各一半。换句话说,要想保持错误率低,最好让位数组有一半还空着。

 

 

 

需要强调的一点是,p = 1/2时错误率最小这个结果并不依赖于近似值pf。同样对于f’ = exp(k ln(1 − (1 − 1/m)kn))g’ = k ln(1 − (1 − 1/m)kn)p’ = (1 − 1/m)kn,我们可以将g’写成

同样根据对称性法则可以得到当p = 1/2时,g’取得最小值。

位数组的大小

 

下面我们来看看,在不超过一定错误率的情况下,Bloom Filter至少需要多少位才能表示全集中任意n个元素的集合。假设全集中共有u个元素,允许的最大错误率为є,下面我们来求位数组的位数m

 

 

 

假设X为全集中任取n个元素的集合,F(X)是表示X的位数组。那么对于集合X中任意一个元素x,在s = F(X)中查询x都能得到肯定的结果,即s能够接受x。显然,由于Bloom Filter引入了错误,s能够接受的不仅仅是X中的元素,它还能够є (u - n)false positive。因此,对于一个确定的位数组来说,它能够接受总共n + є (u - n)个元素。在n + є (u - n)个元素中,s真正表示的只有其中n个,所以一个确定的位数组可以表示

个集合。m位的位数组共有2m个不同的组合,进而可以推出,m位的位数组可以表示

  

 

个集合。全集中n个元素的集合总共有

个,因此要让m位的位数组能够表示所有n个元素的集合,必须有

即:

上式中的近似前提是nєu相比很小,这也是实际情况中常常发生的。根据上式,我们得出结论:在错误率不大于є的情况下,m至少要等于n log2(1/є)才能表示任意n个元素的集合。

 

 

 

上一小节中我们曾算出当k = ln2· (m/n)时错误率f最小,这时f = (1/2)k = (1/2)mln2 / n。现在令fє,可以推出

这个结果比前面我们算得的下界n log2(1/є)大了log2 e 1.44倍。这说明在哈希函数的个数取到最优时,要让错误率不超过єm至少需要取到最小值的1.44倍。

 

举个例子我们假设错误率为0.01,则此时m应大概是n13倍。这样k大概是8个。

分享到:
评论

相关推荐

    带bloom filter 的c网络爬虫

    - **bloomfilter.h**:这是一个头文件,很可能包含了Bloom Filter的数据结构定义和相关操作函数的声明。在C语言中,头文件通常用于提供接口给其他源文件使用,这里可能是为了在spider.c中方便地调用Bloom Filter的...

    C语言实现的Bloomfilter算法。.zip

    8. **源码解析**:在名为"Bloom-Filter-master"的压缩包中,应该包含C语言实现Bloom Filter的源代码。通过阅读和分析源码,我们可以更深入理解上述概念是如何在实际程序中实现的,例如如何定义位数组,如何定义和...

    转载 : 基于Bloom-Filter算法的URL过滤器的实现.txt

    bitmap_bloomfilter_t *bbf = create_bitmap_bloomfilter(10000); /* 创建位数组 */ long *url[10] = { ... }; /* URL数组 */ for (i = 0; i ; ++i) { fprintf(stdout, "%ld -&gt; filtered(%d).\n", url[i], bloom...

    DotBloom:C#中的Bloom Filter库

    **标题解析:** "DotBloom:C#中的Bloom Filter库" 这个标题表明我们要讨论的是一个用C#语言实现的Bloom Filter数据结构库,名为DotBloom。Bloom Filter是一种空间效率极高的概率型数据结构,常用于判断一个元素...

    布隆过滤器(Bloom Filter)的Java实现方法

    【布隆过滤器(Bloom Filter)的Java...以上就是关于“布隆过滤器(Bloom Filter)的Java实现方法”的详细解析,包括原理、实现步骤、优缺点及应用场景。通过理解这些知识点,开发者可以更好地在实际项目中应用布隆过滤器。

    DB leveldb实现解析

    LevelDB的核心是Bloom Filter和多层的LSM Tree(Log-Structured Merge Tree)。LSM Tree是一种针对磁盘访问优化的数据结构,将数据分为内存中的Memtable和磁盘上的SSTable两部分。当写入数据时,首先写入Memtable,...

    python编写知乎爬虫实践.pdf

    "Python爬虫实践" 基于给定的文件信息,我们可以总结出...本文总结了爬虫工作原理、网页抓取、去重、解析和存储相关技术栈、Bloom Filter算法、爬虫反爬虫策略及应对措施等关键知识点,并对爬虫项目实践进行了总结。

    U201915181_焦嘉骏_课程报告1

    1. **过滤器(Filter)**:过滤器用于快速判断数据记录是否存在,如Bloom Filter,但Bloom Filter存在误报和漏报问题,不适合需要精确查询的场景。 2. **Cuckoo Filter**:为了解决Bloom Filter的问题,Cuckoo ...

    LianJiaSpider.rar

    总之,"LianJiaSpider"项目结合了Scrapy、Scrapy-Redis和Bloom Filter等技术,实现了一个高效、可扩展的链家网数据爬取系统。用户只需运行特定的启动脚本,就能自动化地获取并处理链家网的房源信息,同时避免了数据...

    大数据量,海量数据处理方法总结[参考].pdf

    Bloom Filter不支持删除操作,但Counting Bloom Filter通过使用计数器数组代替位数组,解决了这个问题。为了确定位数组的大小m和哈希函数的数量k,通常遵循k≈(ln2) * (m/n)和m &gt;= n * log(1/E) * log(e),其中n是...

    leveldb实现解析.pdf

    Bloom Filter则用于空间效率地判断键是否存在,减少不必要的磁盘访问。 2. SSTable与Log-Structured Merge Tree (LSMT) LevelDB采用LSMT作为其核心存储模型。LSMT是一种日志结构的合并树,所有的写操作首先写入到...

    Python爬虫开发基础入门教程 Python爬虫简介与展望 共7页.pdf

    Bloom Filter 是一个概率性数据结构,用于快速地判断一个元素是否存在于集合中。Bloom Filter 的优点: * 高效:Bloom Filter 可以快速地判断元素的存在性。 * 节省空间:Bloom Filter 需要的空间较小。 分布式...

    leveldb-1.18 源码及 leveldb实现解析.PDF

    2. Bloom Filter:leveldb利用Bloom Filter来快速判断一个键是否存在于数据库中,减少了不必要的磁盘访问。 3. Compaction策略:leveldb根据SSTable的数量和大小自动触发Compaction,以避免磁盘空间过度碎片化。 4. ...

    海量数据处理总结(大量数据处理)

    本文将围绕“海量数据处理”这一主题,详细探讨几种核心的技术方法,包括Bloom Filter、Hashing以及Bit-Map,它们在实际场景中的应用以及优化策略。 #### 一、Bloom Filter:高效的空间换时间 Bloom Filter是一种...

    大数据量,海量数据 处理方法总结

    需要注意的是,Bloom Filter可能存在误报,但不会漏报,且无法删除元素,除非使用Counting Bloom Filter。 **适用范围**:数据字典、判重、集合求交集等场景。 **优化建议**:根据输入元素个数n,合理设定位数组m...

    java源码:预输入搜索 Cleo.zip

    2. **Bloom Filter**:Bloom Filter是一种空间效率极高的概率型数据结构,用于测试一个元素是否在一个集合中。在预输入搜索中,Bloom Filter可以用于快速排除不可能的匹配,减少不必要的Trie树遍历,从而提高查询...

    Python爬虫百例第78讲.zip

    Bloom_live可能是指BloomFilter,这是一种空间效率极高的概率型数据结构,用于判断一个元素是否在一个集合中。在爬虫应用中,它可以用来过滤重复的URL,避免重复抓取同一个页面,减少不必要的网络请求和计算资源消耗...

    IP数据库Python语言解析代码(IPIP.net)

    对于大规模的IP查询,可以考虑将数据存储在内存中的数据结构,如`sqlite3`数据库或`bloom filter`,以提高查询效率。另外,定期更新IP数据库也很重要,以保持信息的准确性。 通过以上步骤,我们可以使用Python解析...

    数据结构和算法经典教程(动画解析解题思路)

    7. **挑战与进阶**:随着技术的发展,高级数据结构如B树、Trie树、Bloom Filter等,以及复杂算法如Kruskal's最小生成树、Dijkstra最短路径、A*搜索等也逐渐被广泛应用。熟练掌握这些进阶知识,将有助于成为更优秀的...

Global site tag (gtag.js) - Google Analytics