Guava布隆过滤器(boomfilter)使用简介

1 布隆过滤器简介

布隆过滤器是一种空间利用率较高的概率型数据结构，用来测试一个元素是否在集合中。但是存在一定可能，导致结果误判。即元素不在集合中，查询结果却返回元素在集合中。

布隆过滤器一些的性质

• 与哈希表不同，布隆过滤器是一个大小固定的过滤器，可以通过任意大的数字来描述集合大小
• 添加一个元素到集合中永远不会添加失败，但误报率会随着添加元素数量的增多逐渐上升，直到集合中所有位都设置位1
• 查询一个元素是否存在会产生误报的可能
• 不应该从集合中删除元素。例如一个元素对应k的hash函数，当我们尝试删除，可能导致将hash值相同的元素也一并删除。

布隆过滤器的工作方式
一个空的布隆过滤器是一个由m个二进制位构成的数组。

我们需要k个hash函数来计算输入的hash值。当我们向过滤器中添加一个元素事，k个hash函数计算出的索引值 h1(x), h2(x)，… hk(x)被设置位1。例如将geeks加入到过滤器中，我们用到3个hash函数，过滤器的长度为10，初始
值被设置为0。哈希函数的计算结果如下：

h1(“geeks”) % 10 = 1
h2(“geeks”) % 10 = 4
h3(“geeks”) % 10 = 7

接着我们将1，4，7位设置位1。

接着我们将nerd添加到集合中，hash值计算结果如下。

h1(“nerd”) % 10 = 3
h2(“nerd”) % 10 = 5
h3(“nerd”) % 10 = 4

如果我们想检查geeks是否在集合中，我们以相反的方式进行处理。我们使用h1,h2,h3计算初hash值。如果对应的二进制位都位1，那么可以判定“geeks”可能在集合中。如果任何一位为0，那么"geeks"一定不在集合中。

布隆过滤器结果误判
假如我们希望判定cat是否在集合中，首先计算hash值。得到1，3，7。但1，3，7是之前添加其它单词后设置的结果，我们之前并没有添加cat，因此造成了误判。

h1(“cat”) % 10 = 1
h2(“cat”) % 10 = 3
h3(“cat”) % 10 = 7

如果我们希望降低误判率，我们需要使用更多的hash函数及更大的数组。

布隆过滤器的误报概率
假设数组长度为m,并使用k个hash函数，n是要插入到过滤器中的元素个数，那么误报率的计算如下：

位数组的大小

如果过滤器中的元素数量已直，期望的误报率位p，那么二进制位数组大小计算公式如下：

最优哈希函数数量
如果m是数组长度，n是插入的元素个数，k是hash函数的个数，k计算公式如下：

哈希函数的选择
哈希函数独立且生成的数值均匀分布，并且尽可能的快。比如MurmurHash、Jenkins_hash_function。

2 Guava提供的布隆过滤器

首先添加依赖，版本可根据实际使用来调整。

<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>22.0</version>
</dependency>

创建布隆过滤器时要传入期望处理的元素数量，及最期望的误报的概率。如下分别是500和0.01。

BloomFilter<Integer> filter = BloomFilter.create(
  Funnels.integerFunnel(),
  500,
  0.01);

接着向过滤器中插入元素。

filter.put(1);
filter.put(2);
filter.put(3);

我们添加了3个元素，并且定义了最大元素数量为500，因此我们的过滤器将会产生非常准确的结果。我们使用mightContain()方法来测试。

assertThat(filter.mightContain(1)).isTrue();
assertThat(filter.mightContain(2)).isTrue();
assertThat(filter.mightContain(3)).isTrue();
 
assertThat(filter.mightContain(100)).isFalse();

因为布隆过滤器是一种概率型数据结构，因此返回true表示元素有极大的概率存在。当返回false那么表示元素一定不存在。

当我们创建布隆过滤器时，尽可能提供准确的元素数量。否则将会产生较高的误报率。

下面的例子表示集合最多5个元素，这样在实际使用时就会产生很高的误报率。

BloomFilter<Integer> filter = BloomFilter.create(
  Funnels.integerFunnel(),
  5,
  0.01);
 
IntStream.range(0, 100_000).forEach(filter::put);

3 参考资料

[1]布隆过滤器算法介绍,https://www.geeksforgeeks.org/bloom-filters-introduction-and-python-implementation/
[2]Guava中的布隆过滤器,https://www.baeldung.com/guava-bloom-filter