【布隆过滤器】过滤器中的战斗机

转载请表明出处

背景

对 布隆过滤器 画个重点，它应该在 “过滤” 二字上，这个算法的重点在于把曾经来过跟从未来过的事物区分开，具体过滤那种事物（曾经来过or从未来过），由具体场景决定。它一般用于数据库存储中过滤不存在的行（减少访问磁盘），推荐系统去重等等场景。

SET

说到去重，很容易想到STL中的SET容器，它本身自带去重功能，而且还能查询。
那么最简单的方式，直接用SET。每次操作的时候，先查询该事物是否存在？

• 如果存在直接返回“存在”结果。
• 如果不存在就插入其中，然后再返回“不存在”结果。

具体如下图所示：

这种方式准确率是绝对准确的，但是这种方式耗费的内存也是巨大的。
假设每个事物需要 K 字节，那么如果有 M 个事物，一共需要 K * M 字节。那么我们能不能缩小这里的内存呢？
稍微损失一点准确率换取内存？具体见下面HashMap的方式

HashMap

在上一种方式中，它存储了具体的事物信息，其实在我们这个场景中是不需要的。我们需要的只是这个事物是否存在就行了，所以HashMap的方式诞生了。
这种算法在每次操作的时候，先查询该事物是否存在，

• 如果存在返回“存在”结果。
• 如果不存在就在特定位置置1，然后再返回“不存在”结果。

众所周知，hash都是有一定概率冲突的，而且当哈希桶快满的时候，冲突率更高。
接下来我们来看看这里的冲突率有多少？假设哈希桶长度为M，那么每次插入到特定一个桶的概率是：$$(1-\frac{1}{M})$$
而没有插入特定桶的概率是：$$1-(1-\frac{1}{M})$$
然后假设目前已经插入N个事物，那么特定桶中为0的概率是：$$(1-\frac{1}{M}{)}^N$$
特定桶中为1的概率是：$$1-(1-\frac{1}{M}{)}^N$$

假设现在要新插入一个事物，这次插入的冲突率就是：
$$1-(1-\frac{1}{M}{)}^N=1-((1+\frac{1}{-M}{)}^{-M}{)}^{-\frac{N}{M}}\approx 1-e^{-\frac{N}{M}}$$

所以这里在N接近M的时候，冲突率是很高的，这种算法就完全失效了。
有没有办法解决这种情况呢？布隆过滤器能降低这里冲突率。

布隆过滤器

布隆过滤器是用了多hash的方式降低了冲突率的。
这种算法在每次操作的时候，先查询该事物在K个hash桶中是否都存在，

• 如果存在返回“存在”结果。
• 如果有一个桶不存在，就在K个hash桶中全部置1，然后再返回“不存在”结果。

接下来我们来看看这种有K个Hash加持的算法，冲突率有多少？假设哈希桶长度为M，那么每次插入到特定一个桶的概率是：$$K(1-\frac{1}{M})$$
而没有插入特定桶的概率是：$$(1-(1-\frac{1}{M}){)}^K$$
然后假设目前已经插入N个事物，那么特定桶中为0的概率是：$$(1-\frac{1}{M}{)}^{NK}$$
特定桶中为1的概率是：$$1-(1-\frac{1}{M}{)}^{NK}$$

假设现在要新插入一个事物，这次插入的冲突率就是：
$$P=(1-(1-\frac{1}{M}{)}^{NK}{)}^K=(1-((1+\frac{1}{-M}{)}^{-M}{)}^{-\frac{NK}{M}}{)}^K\approx (1-e^{-\frac{NK}{M}}{)}^K$$
由于这里有K次方的加持，它的冲突率小很多的。
一般来说，在使用布隆过滤器的时候，N是由场景已经决定了的，怎么选择M跟K呢？
P为冲突率
$$M=-\frac{NlnP}{(ln2{)}^2}$$
$$K=\frac{M}{N}ln2$$

由于布隆过滤器都是直接置1，所以它根本无法删除一个事物的。有没有办法支持它删除+统计个数呢？

布隆过滤器升级版

想要删除特定事物，那其实也很简单。
直接把布隆过滤器的位存储改成数字存储就行了。
那么在每次操作的时候，跟布隆过滤器差别的点在于：

• 无论是否存在都在K个hash桶中加1，
• 然后在需要删除的时候，就在K个hash桶中减1。
  具体如下图所示：
  

这种算法是已经支持删除+统计了，相应的它的内存占用可不是翻倍这么简单的。
不同的场景用不同的算法吧，最合适的才是效果最好滴。