转:http://www.360doc.com/content/14/0105/12/15384463_342767392.shtml
Bloom Filter是由Bloom在1970年提出的一种多哈希函数映射的快速查找算法。通常应用在一些需要快速判断某个元素是否属于集合,但是并不严格要求100%正确的场合。
一. 实例
为了说明Bloom Filter存在的重要意义,举一个实例:
假设要你写一个网络爬虫程序(web crawler)。由于网络间的链接错综复杂,爬虫在网络间爬行很可能会形成“环”。为了避免形成“环”,就需要知道爬虫程序已经访问过那些URL。给一个URL,怎样知道爬虫程序是否已经访问过呢?稍微想想,就会有如下几种方案:
1. 将访问过的URL保存到数据库。
2. 用HashSet将访问过的URL保存起来。那只需接近O(1)的代价就可以查到一个URL是否被访问过了。
3. URL经过MD5或SHA-1等单向哈希后再保存到HashSet或数据库。
4. Bit-Map方法。建立一个BitSet,将每个URL经过一个哈希函数映射到某一位。
方法1~3都是将访问过的URL完整保存,方法4则只标记URL的一个映射位。
以上方法在数据量较小的情况下都能完美解决问题,但是当数据量变得非常庞大时问题就来了。
方法1的缺点:数据量变得非常庞大后关系型数据库查询的效率会变得很低。而且每来一个URL就启动一次数据库查询是不是太小题大做了?
方法2的缺点:太消耗内存。随着URL的增多,占用的内存会越来越多。就算只有1亿个URL,每个URL只算50个字符,就需要5GB内存。
方法3:由于字符串经过MD5处理后的信息摘要长度只有128Bit,SHA-1处理后也只有160Bit,因此方法3比方法2节省了好几倍的内存。
方法4消耗内存是相对较少的,但缺点是单一哈希函数发生冲突的概率太高。还记得数据结构课上学过的Hash表冲突的各种解决方法么?若要降低冲突发生的概率到1%,就要将BitSet的长度设置为URL个数的100倍。
二. Bloom Filter的算法
废话说到这里,下面引入本篇的主角–Bloom Filter。其实上面方法4的思想已经很接近Bloom Filter了。方法四的致命缺点是冲突概率高,为了降低冲突的概念,Bloom Filter使用了多个哈希函数,而不是一个。
Bloom Filter算法如下:
创建一个m位BitSet,先将所有位初始化为0,然后选择k个不同的哈希函数。第i个哈希函数对字符串str哈希的结果记为h(i,str),且h(i,str)的范围是0到m-1 。
(1) 加入字符串过程
下面是每个字符串处理的过程,首先是将字符串str“记录”到BitSet中的过程:
对于字符串str,分别计算h(1,str),h(2,str)…… h(k,str)。然后将BitSet的第h(1,str)、h(2,str)…… h(k,str)位设为1。
很简单吧?这样就将字符串str映射到BitSet中的k个二进制位了。
(2) 检查字符串是否存在的过程
下面是检查字符串str是否被BitSet记录过的过程:
对于字符串str,分别计算h(1,str),h(2,str)…… h(k,str)。然后检查BitSet的第h(1,str)、h(2,str)…… h(k,str)位是否为1,若其中任何一位不为1则可以判定str一定没有被记录过。若全部位都是1,则“认为”字符串str存在。
若一个字符串对应的Bit不全为1,则可以肯定该字符串一定没有被Bloom Filter记录过。(这是显然的,因为字符串被记录过,其对应的二进制位肯定全部被设为1了)
但是若一个字符串对应的Bit全为1,实际上是不能100%的肯定该字符串被Bloom Filter记录过的。(因为有可能该字符串的所有位都刚好是被其他字符串所对应)这种将该字符串划分错的情况,称为false positive 。
(3) 删除字符串过程
字符串加入了就被不能删除了,因为删除会影响到其他字符串。实在需要删除字符串的可以使用Counting bloomfilter(CBF),这是一种基本Bloom Filter的变体,CBF将基本Bloom Filter每一个Bit改为一个计数器,这样就可以实现删除字符串的功能了。
Bloom Filter跟单哈希函数Bit-Map不同之处在于:Bloom Filter使用了k个哈希函数,每个字符串跟k个bit对应。从而降低了冲突的概率。
三. Bloom Filter参数选择
(1)哈希函数选择
哈希函数的选择对性能的影响应该是很大的,一个好的哈希函数要能近似等概率的将字符串映射到各个Bit。选择k个不同的哈希函数比较麻烦,一种简单的方法是选择一个哈希函数,然后送入k个不同的参数。
(2) m,n,k值,我们如何取值
我们定义:
可能把不属于这个集合的元素误认为属于这个集合(False Positive)
不会把属于这个集合的元素误认为不属于这个集合(False Negative)。
哈希函数的个数k、位数组大小m、加入的字符串数量n的关系。哈希函数个数k取10,位数组大小m设为字符串个数n的20倍时,false positive发生的概率是0.0000889 ,即10万次的判断中,会存在9次误判,对于一天1亿次的查询,误判的次数为9000次。
算法分析:
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:
False Positive的概率是:
p’表示1的概率,k次方表示8次hash都为1的概率。
当 k = ln 2 * m/n 时,右边的等式值最小,此时等式转变成:
四. Bloom Filter实现代码(简易版)
下面给出一个简单的Bloom Filter的Java实现代码:
package org.magnus.utils; import java.util.BitSet; //传统的Bloom filter 不支持从集合中删除成员。 //Counting Bloom filter由于采用了计数,因此支持remove操作。 //基于BitSet来实现,性能上可能存在问题 public class SimpleBloomFilter { //DEFAULT_SIZE为2的25次方 private static final int DEFAULT_SIZE = 2 << 24; /* 不同哈希函数的种子,一般应取质数,seeds数据共有7个值,则代表采用7种不同的HASH算法 */ private static final int[] seeds = new int[] { 5, 7, 11, 13, 31, 37, 61 }; //BitSet实际是由“二进制位”构成的一个Vector。假如希望高效率地保存大量“开-关”信息,就应使用BitSet. //BitSet的最小长度是一个长整数(Long)的长度:64位 private BitSet bits = new BitSet(DEFAULT_SIZE); /* 哈希函数对象 */ private SimpleHash[] func = new SimpleHash[seeds.length]; public static void main(String[] args) { String value = "stone2083@yahoo.cn"; //定义一个filter,定义的时候会调用构造函数,即初始化七个hash函数对象所需要的信息。 SimpleBloomFilter filter = new SimpleBloomFilter(); //判断是否包含在里面。因为没有调用add方法,所以肯定是返回false System.out.println(filter.contains(value)); filter.add(value); System.out.println(filter.contains(value)); } //构造函数 public SimpleBloomFilter() { for (int i = 0; i < seeds.length; i++) { //给出所有的hash值,共计seeds.length个hash值。共7位。 //通过调用SimpleHash.hash(),可以得到根据7种hash函数计算得出的hash值。 //传入DEFAULT_SIZE(最终字符串的长度),seeds[i](一个指定的质数)即可得到需要的那个hash值的位置。 func[i] = new SimpleHash(DEFAULT_SIZE, seeds[i]); } } // 将字符串标记到bits中,即设置字符串的7个hash值函数为1 public void add(String value) { for (SimpleHash f : func) { bits.set(f.hash(value), true); } } //判断字符串是否已经被bits标记 public boolean contains(String value) { //确保传入的不是空值 if (value == null) { return false; } boolean ret = true; //计算7种hash算法下各自对应的hash值,并判断 for (SimpleHash f : func) { //&&是boolen运算符,只要有一个为0,则为0。即需要所有的位都为1,才代表包含在里面。 //f.hash(value)返回hash对应的位数值 //bits.get函数返回bitset中对应position的值。即返回hash值是否为0或1。 ret = ret && bits.get(f.hash(value)); } return ret; } /* 哈希函数类 */ public static class SimpleHash { //cap为DEFAULT_SIZE的值,即用于结果的最大的字符串长度。 //seed为计算hash值的一个给定key,具体对应上面定义的seeds数组 private int cap; private int seed; public SimpleHash(int cap, int seed) { this.cap = cap; this.seed = seed; } //计算hash值的具体算法,hash函数,采用简单的加权和hash public int hash(String value) { //int的范围最大是2的31次方减1,或超过值则用负数来表示 int result = 0; int len = value.length(); for (int i = 0; i < len; i++) { //数字和字符串相加,字符串转换成为ASCII码 result = seed * result + value.charAt(i); //System.out.println(result+"--"+seed+"*"+result+"+"+value.charAt(i)); } // System.out.println("result="+result+";"+((cap - 1) & result)); // System.out.println(414356308*61+'h'); 执行此运算结果为负数,为什么? //&是java中的位逻辑运算,用于过滤负数(负数与进算转换成反码进行)。 return (cap - 1) & result; } } }
五:Bloom Filter的优点及应用。
1.2 优缺点分析
1.2.1 优点:
节约缓存空间(空值的映射),不再需要空值映射。
减少数据库或缓存的请求次数。
提升业务的处理效率以及业务隔离性。
1.2.2 缺点:
存在误判的概率。
传统的Bloom Filter不能作删除操作。
1.3 使用场景
适用于特定场景,能够有效的解决数据库空查问题。
以公司的某小表查询为例,该表每天查询量20亿次左右,且数据库中存在大量的下面的空查:
目前表中的记录为8w,即n的值为8w, m=20*n=160w,占用空间大小195KB。以type||CONTENT复合键作为key值,假设HASH次数k取值为6,误判率为:0.0303%(10000次中存在3次误判)。HASH次数的最优解为14,当k=14时,误判率为:0.014%(10000次中存在1-2次误判)。
测试过程及结果如下(源代码见附件):
测试场景1:m=1600000;n=80000;最优解k=14;m/n=20;k的次数为:6;对1000w数据进行判定:
测试结果: 2000w数据误判的记录为:3035,误判率约为0.03035%(和理论值0.0303%相差不大)。判断2000万数据的时间为25秒。平均一次判断时间为:2.5微秒。平均一次hash时间为0.417微秒。 |
测试场景2:m=1600000;n=80000;最优解k=14;m/n=20;k的次数为:6;对2000w数据进行判定: 测试结果:2000w数据误判的记录为:5839,误判率约为0.029%(理论值为0. 0303%)。判断1000万数据的时间为51秒。平均一次判断时间为:2.55微秒。平均一次hash时间为0.425微秒。 |
测试场景3:m=1600000;n=80000;最优解k=14;m/n=20;k的次数为:14;对1000w数据进行判定 : 测试结果:1000w数据误判的记录为:605,误判率约为0.00605%(和理论值0. 014%相差不大)。判断1000万数据的时间为37秒。平均一次判断时间为:3.7微秒。平均一次hash时间为0.265微秒。 |
测试场景4:m=1600000;n=80000;最优解k=14;m/n=20;k的次数为:14;对2000w数据进行判定: 测试结果:2000w数据误判的记录为:1224,误判率约为0.00612%(理论值为0.014%)。判断1000万数据的时间为84秒。平均一次判断时间为:4.2微秒。平均一次hash时间为0.3微秒。 |
其它测试略。
结论:
测试 | m/n | K(括号内为最优解) | 数据基数 | 误判数 | 误判率 | 理论值 | 用时(单位:秒) | 一次判定时间(单位:微秒) | 一次Hash时间(单位:微秒.估参考) |
1 | 20 | 6(14) | 1000W | 3035 | 0.03035% | 0.0303% | 25 | 2.5 | 0.417 |
2 | 20 | 6(14) | 2000W | 5839 | 0.029% | 0.0303% | 51 | 2.55 | 0.425 |
3 | 20 | 14(14) | 1000W | 605 | 0.00605% | 0.014% | 37 | 3.7 | 0.265 |
4 | 20 | 14(14) | 2000W | 1224 | 0.00612% | 0.014% | 84 | 4.2 | 0.3 |
5 | 20 | 20(14) | 1000W | 914 | 0.00914% | 不计算 | 48 | 4.8 | 0.24 |
6 | 20 | 20(14) | 2000W | 1881 | 0.00941% | 不计算 | 99 | 4.95 | 0.2475 |
7 | 10 | 7(7) | 1000w | 517854 | 0.786% | 0.819% | 41 | 4.1 | 0.59 |
8 | 5 | 3(3) | 1000w | 901411 | 9.014% | 9.2% | 31 | 3.1 | 1.033 |
9 | 2 | 1(1) | 1000w | 3910726 | 39.107% | 39.3% | 29 | 2.9 | 2.9 |
10 | 2 | 2(1) | 1000w | 3961065 | 39.61% | 40% | 30 | 3.0 | 3.0 |
11 | 2 | 5(1) | 1000w | 6436696 | 64.37% | 不计算 | 76 | 7.6 | 1.52 |
一次判断时间计算方式为:总时间/总次数
一次HASH所需时间计算方式为:一次判定时间/每次判断需要的hash数。
一次HASH所需时间,当执行hash次数越少,基数越小,误差越大。当一次判断所需的hash次数越大时,一次hash时间越精确。
结论:
m/n的比值越大越好,比较越大,误判率会越代,但同时会使用更多的空间成本。
Hash次数增加带来的收益并不大。需要在条件允许的情况下,尽量的扩大m/n的值。
六:实施方案思考
适用于一些黑名单,垃圾邮件等的过滤。
当位数组较小时,可以作本地jvm缓存。
当位数组较大时,可以做基于tair的缓存,此时可能需要开辟单独的应用来提供查询支持。
此方案,适用的应用场景需要能够容忍,位数组和的延时。
相关推荐
总结来说,Bloom Filter是一种在大数据处理中节省空间并提高查询效率的工具,尤其适合于对精确性要求不高但需要快速响应的场景。尽管存在误判的可能性,但其巧妙的设计使得它在许多实际应用中成为一种不可或缺的数据...
"一种新的基于Bloom filter数据结构的数据消冗算法" ...本文提出了一种新的基于Bloom filter数据结构的数据消冗算法,该算法可以有效地降低数据存储空间和提高数据处理效率,为大数据处理提供了新的思路和方法。
2. **数据库索引**:在大规模数据库系统中,Bloom Filter可以用于快速判断某个键是否存在于数据库中,从而减少不必要的磁盘I/O操作。 3. **自动断词**:在文本处理领域,如自动断词程序,可以利用Bloom Filter来快速...
1、本期内容 1.1 版权申明 1.2 内容详情 1.2.1 垂直搜索的应用场景 1.2.2 垂直搜索的技术...2.3 BloomFilter–大规模数据处理利器 2.3.1 应用场景 2.3.2 专业术语 2.3.3 Bloom Filter 算法 2.3.4 Bloom Filter 参数
它通过构建更多小规模的Bloom Filter与每个SSTable关联,并根据访问频率动态地将这些Filter加载到内存中,实现了运行时的细粒度和弹性调整,同时保持相同的内存使用量。 ### ElasticBF的关键特点 #### 细粒度与...
总结,Bloom Filter作为Python开发中的一个重要工具,其高效的空间利用率和灵活的应用场景使得它在处理大规模数据时展现出巨大价值。理解其工作原理并合理使用,能有效提升程序性能,解决实际问题。在实际项目中,...
Bloom Filter是一种高效的数据结构,主要用于近似地判断一个元素是否在一个集合中。它的主要特点是空间效率高,但允许存在一定的误报率(即可能会错误地报告一个元素属于某个集合,这种错误被称为“假正例”)。...
Bloom Filter是一种空间效率极高的概率型数据结构,常用于大数据集的去重和存在性查询,尤其在内存有限的情况下。 **描述:“linux下编写的网络爬虫,可以实现bloom filter 去重过滤,是用来垂直爬取www.8684.cn...
基于bloomfilter的大规模网页去重,判断是否爬过URL
3. 分布式技术与Bloom Filter结合:在海量数据快速匹配的背景下,分布式技术可以有效提升处理速度和数据的并发处理能力。文章提出了一种基于Bloom Filter的分布式快速匹配算法,该方法能显著降低程序对服务器内存的...
- **扩展性:** 布隆过滤器一旦创建,无法添加额外的位或删除已存在的元素,所以在设计时要考虑好数据规模。 在Java代码中,可以这样创建和使用布隆过滤器: ```java import com.google.common.hash.BloomFilter; ...
在传统的Bloom Filter中,它通常处理单一的关键字,而在“多字段矩阵型Bloom Filter”中,这一概念被扩展到了支持多个字段的情况,这使得它在处理复杂数据集时更具灵活性。 首先,我们要理解Bloom Filter的基本原理...
bloomfilter.js, 使用FNV的JavaScript bloom filter快速散列 Bloom过滤器This过滤器实现使用非加密 Fowler-Noll-Vo散列函数来实现速度。用法var bloom = new BloomFilter( 32 * 256,//number of bits to all
在`ImprovedBloomFilter`这个文件中,可能包含了优化过的Bloom Filter实现,例如使用更好的哈希函数组合,或者动态调整位数组大小以适应数据规模变化。 **应用领域** Bloom Filter广泛应用于: 1. **缓存系统**:...
由Burton Howard Bloom在1970年提出,主要用于节省存储空间,尤其在大数据场景下,它能有效地解决大规模数据集的查找问题。 **原理介绍:** 1. **哈希函数**:Bloom Filter使用多个不同的哈希函数将元素映射到一个...
Bloom filter是一个简明的空间效率极高的随机的数据结构。用Bloom filter 表示 cache 内容 ,可以高效地实现cache 协作。本文对BloomFilter及其改进型进行了综述性分析,探讨了它的实用性。
### Bloom Filter用于URL去重 #### 一、引言 随着互联网的发展,Web信息的采集变得日益重要。网络爬虫等工具通常用于遍历万维网,并将其视...在实践中,Bloom Filter已经成为处理大规模数据集时不可或缺的一种工具。
Bloom Filter 广泛应用于分布式计算和数据库系统中,特别是在大规模数据处理和查询优化方面。它可以快速判断某个元素是否在数据库中,从而提高查询效率。 在分布式数据库系统中,Bloom Filter 可以用来快速判断...