海量数据处理之Bloom Filter

问题：给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？

 Bloom Filter概念和原理

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,…,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,…,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

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log₂e≈ 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。

实现：

[html] view plain copy

1. /*  
2.  * bloom_filter.h  
3.  *  
4.  *  Created on: May 2, 2012  
5.  *      Author: joan  
6.  */  
7.   
8. #ifndef BLOOM_FILTER_H_  
9. #define BLOOM_FILTER_H_  
10.   
11. #include "../OPTION.h"  
12.   
13. #define HASH_FUN_NUM    7  
14. #define CHAR_BITS       8  
15. #define MAP_SIZE        (HASH_SIZE*CHAR_BITS)  
16.   
17. typedef unsigned int (*HashFunc)(const char *);  
18.   
19. class bloom_filter  
20. {  
21. public:  
22.     bloom_filter();  
23.     ~bloom_filter();  
24.     bool insert(const string &key);  
25. private:  
26.     bool SetBit(const int pos);  
27.     static unsigned int SDBMHash(const char *str);  
28.     static unsigned int RSHash(const char *str);  
29.     static unsigned int JSHash(const char *str);  
30.     static unsigned int ELFHash(const char *str);  
31.     static unsigned int BKDRHash(const char *str);  
32.     static unsigned int DJBHash(const char *str);  
33.     static unsigned int APHash(const char *str);  
34. private:  
35.     char *bbmap;        //bloom filter bitmap  
36.     HashFunc hashp[HASH_FUN_NUM];   //hash function pointer  
37. };  
38.   
39. #endif /* BLOOM_FILTER_H_ */  

[html] view plain copy

1. /*  
2.  * bloom_filter.cpp  
3.  *  
4.  *  Created on: May 2, 2012  
5.  *      Author: joan  
6.  */  
7.   
8. #include "bloom_filter.h"  
9.   
10. bloom_filter::bloom_filter()  
11. {  
12.     bbmap = new char[HASH_SIZE];  
13.     memset(bbmap, 0, HASH_SIZE);  
14.   
15.     hashp[0] = SDBMHash;  
16.     hashp[1] = RSHash;  
17.     hashp[2] = JSHash;  
18.     hashp[3] = ELFHash;  
19.     hashp[4] = BKDRHash;  
20.     hashp[5] = DJBHash;  
21.     hashp[6] = APHash;  
22. }  
23.   
24. bloom_filter::~bloom_filter()  
25. {  
26.     delete [] bbmap;  
27. }  
28.   
29. /*  
30.  * insert a key into bitmap  
31.  * HASH_FUN_NUM bits will be set to 1  
32.  * if all the HASH_FUN_NUM positions are already set, a collision happens,  
33.  *   maybe a duplicate key or a new key, then false is returned  
34.  * if at least one bit is set, true is returned  
35.  */  
36. bool bloom_filter::insert(const string &key)  
37. {  
38.     bool ret = false;  
39.     for(int i=0; i<HASH_FUN_NUM; i++)  
40.     {  
41.         int pos = (hashp[i])(key.c_str());  
42.         //ret = ret || SetBit(pos); !!!!!! this is quit wrong, do not forget the feature of || operator  
43.         ret = SetBit(pos) || ret;  
44.     }  
45.     return ret;  
46. }  
47.   
48. /*  
49.  * if setting bit at position @pos succeeds, true is returned.  
50.  */  
51. bool bloom_filter::SetBit(const int pos)  
52. {  
53.     unsigned int charpos   = pos / CHAR_BITS;  
54.     unsigned int bitoffset = pos % CHAR_BITS;  
55.     if( bbmap[charpos] & (1<<bitoffset) )  
56.     {//already set to 1  
57.         return false;  
58.     }  
59.     //set this bit to 1  
60.     bbmap[charpos] |= 1<<bitoffset;  
61.     return true;  
62. }  
63.   
64. unsigned int bloom_filter::SDBMHash(const char *str)  
65. {  
66.     unsigned int hash = 0;  
67.   
68.     while (*str)  
69.     {  
70.         // equivalent to: hash = 65599*hash + (*str++);  
71.         hash = (*str++) + (hash << 6) + (hash << 16) - hash;  
72.     }  
73.   
74.     return (hash % MAP_SIZE);  
75. }  
76.   
77. unsigned int bloom_filter::RSHash(const char *str)  
78. {  
79.     unsigned int b = 378551;  
80.     unsigned int a = 63689;  
81.     unsigned int hash = 0;  
82.   
83.     while (*str)  
84.     {  
85.         hash = hash * a + (*str++);  
86.         a *= b;  
87.     }  
88.   
89.     return (hash % MAP_SIZE);  
90. }  
91.   
92. unsigned int bloom_filter::JSHash(const char *str)  
93. {  
94.     unsigned int hash = 1315423911;  
95.   
96.     while (*str)  
97.     {  
98.         hash ^= ((hash << 5) + (*str++) + (hash >> 2));  
99.     }  
100.   
101.     return (hash % MAP_SIZE);  
102. }  
103.   
104. unsigned int bloom_filter::ELFHash(const char *str)  
105. {  
106.     unsigned int hash = 0;  
107.     unsigned int x    = 0;  
108.   
109.     while (*str)  
110.     {  
111.         hash = (hash << 4) + (*str++);  
112.         if ((x = hash & 0xF0000000L) != 0)  
113.         {  
114.             hash ^= (x >> 24);  
115.             hash &= ~x;  
116.         }  
117.     }  
118.   
119.     return (hash % MAP_SIZE);  
120. }  
121.   
122. unsigned int bloom_filter::BKDRHash(const char *str)  
123. {  
124.     unsigned int seed = 131; // 31 131 1313 13131 131313 etc..  
125.     unsigned int hash = 0;  
126.   
127.     while (*str)  
128.     {  
129.         hash = hash * seed + (*str++);  
130.     }  
131.   
132.     return (hash % MAP_SIZE);  
133. }  
134.   
135. unsigned int bloom_filter::DJBHash(const char *str)  
136. {  
137.     unsigned int hash = 5381;  
138.   
139.     while (*str)  
140.     {  
141.         hash += (hash << 5) + (*str++);  
142.     }  
143.   
144.     return (hash % MAP_SIZE);  
145. }  
146.   
147. unsigned int bloom_filter::APHash(const char *str)  
148. {  
149.     unsigned int hash = 0;  
150.     int i;  
151.   
152.     for (i=0; *str; i++)  
153.     {  
154.         if ((i & 1) == 0)  
155.         {  
156.             hash ^= ((hash << 7) ^ (*str++) ^ (hash >> 3));  
157.         }  
158.         else  
159.         {  
160.             hash ^= (~((hash << 11) ^ (*str++) ^ (hash >> 5)));  
161.         }  
162.     }  
163.   
164.     return (hash % MAP_SIZE);  
165. }