`

转--Bloom Filter概念和原理

    博客分类:
  • Java
阅读更多

Bloom Filter概念和原理

焦萌 2007127

 

Bloom Filter是一种空间效率很高的随机数据结构,它利用位数组很简洁地表示一个集合,并能判断一个元素是否属于这个集合。Bloom Filter的这种高效是有一定代价的:在判断一个元素是否属于某个集合时,有可能会把不属于这个集合的元素误认为属于这个集合(false positive)。因此,Bloom Filter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下,Bloom Filter通过极少的错误换取了存储空间的极大节省。

集合表示和元素查询

下面我们具体来看Bloom Filter是如何用位数组表示集合的。初始状态时,Bloom Filter是一个包含m位的位数组,每一位都置为0

 

为了表达S={x1, x2,…,xn}这样一个n个元素的集合,Bloom Filter使用k个相互独立的哈希函数(Hash Function),它们分别将集合中的每个元素映射到{1,…,m}的范围中。对任意一个元素x,第i个哈希函数映射的位置hi(x)就会被置为11ik)。注意,如果一个位置多次被置为1,那么只有第一次会起作用,后面几次将没有任何效果。在下图中,k=3,且有两个哈希函数选中同一个位置(从左边数第五位)。   

 

 

在判断y是否属于这个集合时,我们对y应用k次哈希函数,如果所有hi(y)的位置都是11ik),那么我们就认为y是集合中的元素,否则就认为y不是集合中的元素。下图中y1就不是集合中的元素。y2或者属于这个集合,或者刚好是一个false positive

 

错误率估计

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:

 

 

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)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’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0和1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。

总结

在计算机科学中,我们常常会碰到时间换空间或者空间换时间的情况,即为了达到某一个方面的最优而牺牲另一个方面。Bloom Filter在时间空间这两个因素之外又引入了另一个因素:错误率。在使用Bloom Filter判断一个元素是否属于某个集合时,会有一定的错误率。也就是说,有可能把不属于这个集合的元素误认为属于这个集合(False Positive),但不会把属于这个集合的元素误认为不属于这个集合(False Negative)。在增加了错误率这个因素之后,Bloom Filter通过允许少量的错误来节省大量的存储空间。

 

自从Burton Bloom70年代提出Bloom Filter之后,Bloom Filter就被广泛用于拼写检查和数据库系统中。近一二十年,伴随着网络的普及和发展,Bloom Filter在网络领域获得了新生,各种Bloom Filter变种和新的应用不断出现。可以预见,随着网络应用的不断深入,新的变种和应用将会继续出现,Bloom Filter必将获得更大的发展。

参考资料

[1] A. Broder and M. Mitzenmacher. Network applications of bloom filters: A survey. Internet Mathematics, 1(4):485–509, 2005.

[2] M. Mitzenmacher. Compressed Bloom Filters. IEEE/ACM Transactions on Networking 10:5 (2002), 604—612.

[3] www.cs.jhu.edu/~fabian/courses/CS600.624/slides/bloomslides.pdf

[4] http://166.111.248.20/seminar/2006_11_23/hash_2_yaxuan.ppt

分享到:
评论

相关推荐

    Bloom Filter概念和原理

    ### Bloom Filter概念与原理 #### 一、Bloom Filter概述 Bloom Filter是一种高效的数据结构,主要用于快速查询一个元素是否存在于一个集合中。它通过牺牲一定的精确度来换取存储空间的极大节省。Bloom Filter的...

    Bloom Filter概念和原理.docx

    在实际应用中,Bloom Filter需要根据数据量、所需的误判率和可用的内存资源来调整位数组大小m和哈希函数的数量k。尽管Bloom Filter有一定的误判率,但在许多场景下,如防止重复数据、存储大量数据的去重等,它仍然是...

    多字段矩阵型bloomfilter(支持砍维度)

    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...

    bloom filter 相关论文资料

    综上所述,这份“bloom filter”的论文资料集是深入理解、研究和应用布隆过滤器的重要资源,涵盖了从基本概念到实际应用的多个方面,对于IT从业者尤其是数据结构和算法领域的专业人士来说,是非常宝贵的参考资料。

    bloom filter(C#版自制布隆过滤器)

    它是由 Burton Howard Bloom 在1970年提出的,主要应用于大数据存储和检索,尤其在数据库、缓存系统和网络搜索等领域有广泛应用。C# 版本的布隆过滤器实现了这一概念,通过使用八种不同的哈希函数来提高准确性和减少...

    一种基于Bloomfilter的高速浮动关键词匹配算法

    一种基于Bloomfilter的高速浮动关键词匹配算法 知识点摘要: 1. Bloom Filter的概念和原理:Bloom Filter是一种空间效率高、查询速度快的概率性数据结构,用于检测元素是否存在于集合中。其工作原理是将要检测的...

    C语言实现的Bloomfilter算法。.zip

    Bloom Filter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...以上就是关于C语言实现的Bloom Filter算法的主要知识点,理解这些内容有助于我们掌握Bloom Filter的工作原理,以及如何在实际项目中应用和优化。

    布隆过滤器C源码-bloomfilter.rar

    例如,`bf_create(size_t capacity, uint8_t num_hashes)`用于创建一个布隆过滤器,`bf_insert(bloom_filter* filter, const void* item)`用于插入元素,`bf_query(bloom_filter* filter, const void* item)`用于...

    算法与数据结构设计课件-Bloom

    总之,Bloom Filter是算法和数据结构设计中的重要工具,巧妙地平衡了空间效率和查询准确性,尤其在处理大规模数据时展现出了独特的优势。理解其原理和应用,对于提升系统性能和资源管理具有重要意义。

    bloom filter概念讲解以及代码分析

    bloom_filter 概念讲解与代码分析 Bloom Filter 是一种高效的、空间节省的数据结构,由 Howard Bloom 在 1970 年提出。它的主要目的是用于判断一个元素是否可能存在于一个大规模集合中,而无需实际存储集合中的每一...

    guava-bloom-filter:番石榴库的子集

    在压缩包“guava-bloom-filter-master”中,可能包含了Guava库关于Bloom Filter的源代码、示例代码、测试用例以及相关文档,这可以帮助开发者更深入地理解Bloom Filter的工作原理和如何在实际项目中使用它。...

    Bloom Filter Technical Report

    布隆过滤器的原理涉及以下几个核心概念: 1. 哈希函数(Hash Function):布隆过滤器使用了一组k个哈希函数,这些函数作用于输入的key,并将每个key映射到m位上的数据容器中,即一个位数组里。哈希函数必须满足独立...

    DotBloom:C#中的Bloom Filter库

    因此,这个压缩包很可能包含了DotBloom库的源代码,开发者可以通过阅读和学习这些代码来理解Bloom Filter的工作原理,以及如何在C#项目中实现和使用它。 **Bloom Filter知识点:** 1. **工作原理**:Bloom Filter...

    U201813729_程丁丁_课程报告1

    通过本实验,我们深入理解了 Bloom Filter 的工作原理,掌握了 false positive 的理论分析和概率计算,以及如何在多维数据中应用 Bloom Filter。同时,我们也学会了如何设计和优化 Bloom Filter,进行性能测试,这...

    U201990056_陈昱夫_课程报告1

    这涉及到哈希函数和Bloom Filter的基本原理。在Bloom Filter中,哈希函数用于将数据映射到固定大小的二进制数组中,当所有位都是0时,如果只有一个元素被哈希,并且假设哈希函数是均匀分布的,那么任何一位变为1的...

    U201914868_夏棋_课程报告1

    Bloom Filter 的概念最初是由布隆提出的,用于解决查找大型数据库中是否存在特定项的问题。随着时间的发展,Bloom Filter 在网络爬虫、缓存系统、数据库索引、分布式系统等领域都有所应用。例如,在大数据时代,用于...

    一种基于并行Bloom Filter的高速URL查找算法

    并行Bloom Filter算法是一种用于提高URL...这些关键词反映了文章的主要研究方向和使用的相关技术,为理解并行Bloom Filter算法提供了核心概念和研究背景。中图分类号TP393也说明了该研究属于计算机网络和信息安全领域。

    U201915181_焦嘉骏_课程报告1

    2. **Cuckoo Filter**:为了解决Bloom Filter的问题,Cuckoo Filter引入了可删除元素的概念,同时保持较低的错误率。它基于Cuckoo Hashing算法,使用双哈希函数,每个元素有主位置和备用位置,碰撞时元素可以“踢”...

    大数据底层原理和基础概念面试题30道

    以上是对大数据底层原理和基础概念面试题30道中提到的部分知识点的详细解释,涵盖了 Hadoop、HDFS、MapReduce、Hive 和 YARN 等关键概念及其相互关系,以及在大数据处理中的应用。这些知识点对于理解大数据处理的...

Global site tag (gtag.js) - Google Analytics