布隆过滤器详解

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。

                                                     

优点

它的优点是空间复杂度和 时间复杂度都优于一般的算法，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。

缺点

布隆处理器存在误判的可能性，即使一条信息不存在，也可能导致k个Hash函数映射到的位置都是1。但随着存入的元素数量增加，导致位图上多个点被置一，则误判概率随之增加。

(误判补救方法是：再建立一个名单，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。

应用场景

可以快速且空间效率高的判断一个元素是否属于一个集合；用来实现数据字典，或者集合求交集。

1 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得多，并且误判率在万分之一以下

假设先文件中存储着一亿个恶意链接，我们先建立一个十六亿二进制，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。对于每一个恶意链接X，我们用八个不同的Hash函数把一个恶意链接映射到八个不同的二进制上布隆过滤器并将二进制全部设置为一。当我们对这一亿个恶意链接都进行这样的处理后。一个针对这些恶意链接的布隆过滤器就建成了。

2 A，B两个文件，各存放50亿条URL，每天URL占用64字节，内存限制是4G，找出A和B文件中共同的URL

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）。