Bloom Filter概念和原理
http://m.baidu.com/from=1005640b/bd_page_type=1/ssid=0/uid=0/pu=cuid%40javQi_iO2a_EOvuWga25u0ieB8lAa2fgl8SAa08ev8q4uHi3A%2Cosname%40baidubrowser%2Ccua%40gu2Riyap2i4lpmjbyaXeiouDL83lLqqqB%2Ccut%4099mjqk4fv9gr8vhs_C2DNgN-2N_DCvClIrFgqomRC%2Cctv%402%2Ccfrom%401005640b%2Ccen%40cuid_cua_cut%2Ccsrc%40ios_box_txt%2Csz%401320_2004%2Cta%40iphone_1_7.1_5_2.0/baiduid=48339130F189DA872C85E6E7C711CF58/w=0_10_bloom+filter+jiaomeng/t=iphone/l=3/tc?ref=www_iphone&lid=11106993117366992057&order=1&vit=osres&tj=www_normal_1_0_10&m=8&srd=1&cltj=cloud_title&dict=20&sec=39373&di=2ebcb43cae66e359&bdenc=1&nsrc=IlPT2AEptyoA_yixCFOxXnANedT62v3IJBaOMmBXATq5953ybrWxBdxjYzzyNXWVZpPPxXCKe1xRdWGdWTJznMESgO66sVse88TgcPzs&qq-pf-to=pcqq.c2c
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={x
1
, x
2
,…,x
n
}
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
h
i
(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
h
i
(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
y
1
就不是集合中的元素。
y
2
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={x
1
, x
2
,…,x
n
}
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
n
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
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
,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
(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 + (u - n)
个元素。在
n + (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
2
m
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
u
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
的情况下,
m
至少要等于
n log
2
(1/ )
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
≤
,可以推出
这个结果比前面我们算得的下界
n log
2
(1/ )
大了
log
2
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
,
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.