【敲开BAT的大门】系列：避免缓存击穿的利器之Bloom Filter

最新推荐文章于 2024-10-31 23:29:22 发布

少侠露飞

最新推荐文章于 2024-10-31 23:29:22 发布

阅读量374

点赞数 2

分类专栏：《求职》笔经面经文章标签： redis

本文链接：https://blog.csdn.net/Carson_Chu/article/details/104876633

版权

《求职》笔经面经专栏收录该内容

4 篇文章 0 订阅

订阅专栏

引言

在开发或者面试过程中，时常遇到过海量数据需要查询，秒杀时缓存击穿怎么避免等等这样的问题呢？掌握好本篇介绍的知识点将有助于你在之后的工作、面试中策马奔腾。

Bloom Filter概念

Bloom Filter，即传说中的布隆过滤器。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。
在这里插入图片描述

Bloom Filter的原理

布隆过滤器的原理是，当一个元素被加入集合时，通过K个散列函数将这个元素映射成一个位数组中的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，则被检元素一定不在；如果都是1，则被检元素很可能在。这就是布隆过滤器的基本思想。

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。

在这里插入图片描述

缓存击穿

在这里插入图片描述
Bloom Filter在避免缓存击穿中的应用方法：简而言之就是先把我们数据库的数据都加载到我们的过滤器中，比如数据库的id现在有：1,2,3…,n，以上面的原理图为例，将id所有值经过三次hash之后，将hash得到的结果对应的地方由0修改为1。这样做之后，每次请求过来通过id查询数据，如果缓存没有命中，再在过滤器中查询，通过同样的hash算法将请求的id值进行运算，获得三个索引值，如果有任何一个对应索引的值为0，说明MySQL中也不存在该id，则直接报错返回。
试想想这样做的好处是什么？假设这样的一种场景，如果有1000个参数非法请求同时访问（所谓参数非法是指数据库也不存在这类的值，比如id全为负值），缓存中都没有命中，此时如果这1000个请求同时打到DB，数据库层是扛不住的，所以此时Bloom Filter就显得十分必要。

Bloom Filter的缺点

Bloom Filter之所以能做到在时间和空间上的效率比较高，是因为牺牲了判断的准确率、删除的便利性

存在误判，可能要查到的元素并没有在容器中，但是hash之后得到的k个位置上值都是1。如果Bloom Filter中存储的是黑名单，那么可以通过建立一个白名单来存储可能会误判的元素。
删除困难。一个放入容器的元素映射到bit数组的k个位置上是1，删除的时候不能简单的直接置为0，可能会影响其他元素的判断。

Bloom Filter 实现

在实现Bloom Filter时，绕不过的两点就是hash函数的选取以及bit数组的大小。
对于一个确定的场景，我们预估要存的数据量为n，期望的误判率为fpp，然后需要计算我们需要的Bit数组的大小m，以及hash函数的个数k，并选择hash函数。
1 Bit数组大小选择
根据预估数据量n以及误判率fpp，bit数组大小的m的计算方式：
在这里插入图片描述
2 哈希函数选择
由预估数据量n以及bit数组长度m，可以得到一个hash函数的个数k：

3 应用测试
本篇采用的是Google的Bloom Filter，首先需要引入jar包：

 <dependency>
            <groupId>com.google.guava</groupId>
            <artifactId>guava</artifactId>
            <version>23.0</version>
 </dependency>

测试分两步：

1、往过滤器中放五千万个数，然后去验证这五千万个数是否能顺利通过过滤器；

2、另外找一万个不在过滤器中的数，检查Bloom Filter误判的几率。

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;

/**
 * @author Carson Chu
 * @date 2020/3/15 14:48
 * @description 布隆过滤器测试样例
 */
public class BloomFilterTest {
    private static int capacity = 50000000;
    private static BloomFilter<Integer> bf = BloomFilter.create(Funnels.integerFunnel(), capacity);
//    private static BloomFilter<Integer> bf = BloomFilter.create(Funnels.integerFunnel(), total, 0.001);

    public static void main(String[] args) {
        // 初始化50000000条数据到过滤器中
        for (int i = 0; i < capacity; i++) {
            bf.put(i);
        }

        // 匹配已在过滤器中的值，是否有匹配不上的
        for (int i = 0; i < capacity; i++) {
            if (!bf.mightContain(i)) {
                System.out.println("有坏人逃脱了~~~");
            }
        }

        // 匹配不在过滤器中的10000个值，有多少匹配出来
        int count = 0;
        for (int i = capacity; i < capacity + 10000; i++) {
            if (bf.mightContain(i)) {
                count++;
            }
        }
        System.out.println("误命中的数量：" + count);
    }
}

在这里插入图片描述
运行结果表示，遍历这五千万个在过滤器中的数时，都被识别出来了。一万个不在过滤器中的数，误伤了297个，误判率是2.9%左右。
如果想要降低误判率该怎么做呢，不要急，源码为我们提供了这一机制：

@CheckReturnValue
    public static <T> BloomFilter<T> create(Funnel<? super T> funnel, int expectedInsertions) {
        return create(funnel, (long)expectedInsertions);
    }

    @CheckReturnValue
    public static <T> BloomFilter<T> create(Funnel<? super T> funnel, long expectedInsertions) {
        return create(funnel, expectedInsertions, 0.03D);
    }
 @CheckReturnValue
    public static <T> BloomFilter<T> create(Funnel<? super T> funnel, int expectedInsertions, double fpp) {
        return create(funnel, (long)expectedInsertions, fpp);
    }

    @CheckReturnValue
    public static <T> BloomFilter<T> create(Funnel<? super T> funnel, long expectedInsertions, double fpp) {
        return create(funnel, expectedInsertions, fpp, BloomFilterStrategies.MURMUR128_MITZ_64);
    }
    
    /* create()方法的最底层实现 */
	@VisibleForTesting
    static <T> BloomFilter<T> create(Funnel<? super T> funnel, long expectedInsertions, double fpp, BloomFilter.Strategy strategy) {
        Preconditions.checkNotNull(funnel);
        Preconditions.checkArgument(expectedInsertions >= 0L, "Expected insertions (%s) must be >= 0", new Object[]{expectedInsertions});
        Preconditions.checkArgument(fpp > 0.0D, "False positive probability (%s) must be > 0.0", new Object[]{fpp});
        Preconditions.checkArgument(fpp < 1.0D, "False positive probability (%s) must be < 1.0", new Object[]{fpp});
        Preconditions.checkNotNull(strategy);
        if (expectedInsertions == 0L) {
            expectedInsertions = 1L;
        }

        long numBits = optimalNumOfBits(expectedInsertions, fpp);
        int numHashFunctions = optimalNumOfHashFunctions(expectedInsertions, numBits);

        try {
            return new BloomFilter(new BitArray(numBits), numHashFunctions, funnel, strategy);
        } catch (IllegalArgumentException var10) {
            throw new IllegalArgumentException("Could not create BloomFilter of " + numBits + " bits", var10);
        }
    }

BloomFilter一共四个create方法，不过最终都是走向第四个。看一下每个参数的含义：
funnel：数据类型(一般是调用Funnels工具类中的)
expectedInsertions：期望插入的值的个数
fpp：错误率(默认值为0.03)
strategy：Bloom Filter的算法策略

错误率越大，所需空间和时间越小，错误率越小，所需空间和时间约大。

Bloom Filter的应用场景

cerberus在收集监控数据的时候, 有的系统的监控项量会很大, 需要检查一个监控项的名字是否已经被记录到DB过了,如果没有的话就需要写入DB；
爬虫过滤已抓到的url就不再抓，可用Bloom Filter过滤；
垃圾邮件过滤。如果用哈希表，每存储一亿个email地址，就需要1.6GB的内存（用哈希表实现的具体办法是将每一个email地址对应成一个八字节的信息指纹，然后将这些信息指纹存入哈希表，由于哈希表的存储效率一般只有 50%，因此一个email地址需要占用十六个字节。一亿个地址大约要 1.6GB，即十六亿字节的内存）。因此存贮几十亿个邮件地址可能需要上百GB的内存。而Bloom Filter只需要哈希表 1/8到 1/4 的大小就能解决同样的问题。