Bloom Filter概念和原理
焦萌
2007
年
1
月
27
日
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
1
(
1
≤
i
≤
k
)。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
1
(
1
≤
i
≤
k
),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:
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
p
和
p’
代入上式中,得:
相比
p’
和
f’
,使用
p
和
f
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
p
和
f
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
p
和
f
。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)
个
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
n
和
єu
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
f
≤
є
,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
є
,
m
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 Bloom
在
70
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:
相关推荐
### 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...
### Leveldb中Bloom Filter的优化:ElasticBF #### 概述 在现代数据库技术中,**Log-Structured Merge-tree (LSM-tree)** 结构因其高效的写入性能而被广泛应用于各种键值(Key-Value, KV)存储系统中,如Google的*...
- **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...
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
### Bloom Filter概述与应用 #### 一、Bloom Filter简介 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...
**Python-bloomfilter过滤器详解** Bloom Filter是一种空间效率极高的概率型数据结构,用于判断一个元素是否在一个集合中。在Python开发中,尤其是在处理大量数据时,Bloom Filter可以有效地节省内存空间,尤其适用...
BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8), 100000, 0.0001); // 添加元素 bloomFilter.put("element1"); bloomFilter.put("element2"); // 检查元素 ...
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。
BloomFilter<String> bloomFilter = BloomFilter.create(funnel, 100000, 0.03); bloomFilter.put("element1"); bloomFilter.put("element2"); System.out.println(bloomFilter.mightContain("element1")); //...
布隆过滤器(Bloom Filter)是一种空间效率极高的概率型数据结构,用于判断一个元素是否可能在一个集合中。它可能会误判,但不会漏判,即可能存在假阳性(False Positive),但绝不会有假阴性(False Negative)。...
This is the bloom filter of 2.5 Million ... BloomFilter bf=new BloomFilter(); BitSet bitSet=bf.readBit(fileName); bf.setBits(bitSet); System.out.println(bf.exist("password")); } it will says true.
**Bloom Filter算法详解** Bloom Filter是一种空间效率极高的概率型数据结构,用于判断一个元素是否可能在一个集合中。由Burton Howard Bloom在1970年提出,它的主要特点是能够在牺牲一定的判断准确性(可能存在...
在Go编程语言中,Bloom Filter和Cuckoo Filter是两种流行的数据结构,用于空间效率高的近似存在检查。本篇文章将深入探讨Cuckoo Filter如何在某些情况下优于Bloom Filter,以及Go语言中实现Cuckoo Filter的细节。 ...
bloom-filter-scala, 用于 Scala的Bloom过滤器,最快的JVM Scala的 Bloom filter 概述Bloom过滤器是一种空间高效的数据结构,用于测试某个元素是否是集合的成员。 false 正匹配是可能的,但 false 负数不是。 ...
布隆过滤器(Bloom Filter)是一种空间效率极高的概率数据结构,用于判断一个元素是否可能在一个集合中。它由布伦南·布隆在1970年提出,最初是为了解决查找问题中的空间效率问题。这篇论文资料集合涵盖了布隆过滤器...
Bloom Filter 在数据库系统的应用 Bloom Filter 是一种基于哈希、概率性的数据结构,用于空间高效的集合表示。它可以快速判断一个元素是否在集合中,但可能存在假阳性(False Positive),却从不出现假阴性(False...