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
}
S = \{x_1, x_2,…,x_n\}
S={x1,x2,…,xn} 这样一个
n
n
n 个元素的集合,Bloom Filter 使用
k
k
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
}
\{1,…,m\}
{1,…,m} 的范围中。对任意一个元素
x
x
x ,第
i
i
i 个哈希函数映射的位置
h
i
(
x
)
h_i(x)
hi(x) 就会被置为
1
(
1
≤
i
≤
k
)
1 (1 \leq i \leq k)
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
y
y 是否属于这个集合时,我们对
y
y
y 应用
k
k
k 次哈希函数,如果所有
h
i
(
y
)
h_i(y)
hi(y)的位置都是
1
(
1
≤
i
≤
k
)
1 (1 \leq i \leq k)
1(1≤i≤k) ,那么我们就认为
y
y
y 是集合中的元素,否则就认为
y
y
y 不是集合中的元素。下图中
y
1
y_1
y1 就不是集合中的元素。
y
2
y_2
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
k
n
<
m
kn < m
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
}
S = \{ x_1, x_2,…,x_n\}
S={x1,x2,…,xn}的所有元素都被
k
k
k 个哈希函数映射到
m
m
m 位的位数组中时,这个位数组中某一位还是0的概率是:
p
′
=
(
1
−
1
m
)
k
n
≈
e
−
k
n
/
m
p' = ( 1 - \frac{1}{m})^{kn} \approx e^{-kn / m}
p′=(1−m1)kn≈e−kn/m
其中
1
/
m
1/m
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
)
(1-1/m)
(1−1/m) 表示哈希一次没有选中这一位的概率。要把
S
S
S 完全映射到位数组中,需要做
k
n
kn
kn 次哈希。某一位还是
0
0
0 意味着
k
n
kn
kn 次哈希都没有选中它,因此这个概率就是
(
1
−
1
/
m
)
(1-1/m)
(1−1/m) 的
k
n
kn
kn 次方。令
p
′
=
e
−
k
n
/
m
p' = e^{-kn / m}
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:
lim
x
→
∞
(
1
−
1
x
)
−
x
=
e
\displaystyle \lim _{x \to \infty} ( 1 - \frac{1}{x})^{-x} = e
x→∞lim(1−x1)−x=e
令
ρ
\rho
ρ 为位数组中0的比例,则
ρ
\rho
ρ 的数学期望
E
(
ρ
)
=
p
′
E(\rho) = p'
E(ρ)=p′。在
ρ
\rho
ρ 已知的情况下,要求的错误率(false positive rate
)为:
(
1
−
ρ
)
k
≈
(
1
−
p
′
)
k
≈
(
1
−
p
)
k
(1 - \rho)^k \approx (1 - p')^k \approx (1 - p)^k
(1−ρ)k≈(1−p′)k≈(1−p)k
(
1
−
ρ
)
(1 - \rho )
(1−ρ) 为位数组中
1
1
1 的比例,
(
1
−
ρ
)
k
( 1 - \rho )^k
(1−ρ)k 就表示
k
k
k 次哈希都刚好选中
1
1
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。
ρ
′
\rho'
ρ′ 只是
ρ
\rho
ρ 的数学期望,在实际中
ρ
\rho
ρ 的值有可能偏离它的数学期望值。M. Mitzenmacher 已经证明1 ,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
p
p 和
p
′
p'
p′ 代入上式中,得:
f
′
=
(
1
−
(
1
−
1
m
)
k
n
)
k
=
(
1
−
p
′
)
k
f' = (1 - (1 - \frac{1}{m})^{kn})^k = (1 - p')^k
f′=(1−(1−m1)kn)k=(1−p′)k
f
=
(
1
−
e
−
k
n
/
m
)
k
=
(
1
−
p
)
k
f = (1 - e^{-kn/m})^k = (1 -p)^k
f=(1−e−kn/m)k=(1−p)k
相比
p
′
p'
p′ 和
f
′
f'
f′,使用
p
p
p 和
f
f
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
p
p 和
f
f
f 进行计算。注意到
f
=
(
1
−
e
−
k
n
/
m
)
k
=
e
x
p
(
k
ln
(
1
−
e
−
k
n
/
m
)
)
f = (1 - e^{-kn/m})^k = exp( k \ln(1 − e^{−kn/m}) )
f=(1−e−kn/m)k=exp(kln(1−e−kn/m)),我们令
g
=
k
ln
(
1
−
e
−
k
n
/
m
)
g = k \ln(1 − e^{−kn/m})
g=kln(1−e−kn/m),只要让
g
g
g 取到最小,
f
f
f 自然也取到最小。由于
p
=
e
−
k
n
/
m
p = e^{-kn/m}
p=e−kn/m,我们可以将
g
g
g 写成
g
=
−
m
n
ln
(
p
)
ln
(
1
−
p
)
g = - \frac{m}{n} \ln(p) \ln(1 - p)
g=−nmln(p)ln(1−p)
根据对称性法则可以很容易看出当
p
=
1
2
p = \frac{1}{2}
p=21,也就是
k
=
m
n
ln
2
k = \frac{m}{n} \ln2
k=nmln2 时,
g
g
g 取得最小值。在这种情况下,最小错误率
f
f
f 等于
(
1
/
2
)
k
≈
(
0.6185
)
m
/
n
(1/2)^k \approx (0.6185)^{m / n}
(1/2)k≈(0.6185)m/n。另外,注意到
p
p
p 是位数组中某一位仍是 0 的概率,所以
p
=
1
/
2
p = 1/2
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
p = 1/2
p=1/2 时错误率最小这个结果并不依赖于近似值
p
p
p 和
f
f
f 。同样对于
f
′
=
(
1
−
(
1
−
1
m
)
k
n
)
k
=
exp
(
k
ln
(
1
−
(
1
−
1
m
)
k
n
)
)
f' = (1 - (1 - \frac{1}{m})^{kn})^k = \exp( k \ln( 1 - (1 - \frac{1}{m})^{kn} ) )
f′=(1−(1−m1)kn)k=exp(kln(1−(1−m1)kn)),
g
′
=
k
ln
(
1
−
(
1
−
1
m
)
k
n
)
g' = k \ln( 1 - ( 1 - \frac{1}{m})^{kn} )
g′=kln(1−(1−m1)kn),
p
′
=
(
1
−
1
m
)
k
n
p' = ( 1 - \frac{1}{m})^{kn}
p′=(1−m1)kn,我们可以将
g
′
g'
g′ 写成
g
′
=
1
n
ln
(
1
−
1
/
m
)
ln
(
p
′
)
ln
(
1
−
p
′
)
g' = \frac{1}{n \ln(1 - 1/m)} \ln( p' ) \ln( 1 - p' )
g′=nln(1−1/m)1ln(p′)ln(1−p′)
同样根据对称性法则可以得到当 p ′ = 1 / 2 p' = 1/2 p′=1/2 时, g ′ g' 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 ϵ \epsilon ϵ,下面我们来求位数组的位数 m。
假设
X
X
X 为全集中任取 n 个元素的集合,
F
(
X
)
F(X)
F(X) 是表示X的位数组。那么对于集合
X
X
X 中任意一个元素 x ,在
s
=
F
(
X
)
s = F(X)
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
ϵ
(
u
−
n
)
\epsilon (u - n)
ϵ(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
+
ϵ
(
u
−
n
)
n + \epsilon (u - n)
n+ϵ(u−n) 个元素。在
n
+
ϵ
(
u
−
n
)
n + \epsilon (u - n)
n+ϵ(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
(
n
+
ϵ
(
u
−
n
)
n
)
{n + \epsilon (u - n) \choose n}
(nn+ϵ(u−n))
个集合。m 位的位数组共有
2
m
2^m
2m个不同的组合,进而可以推出,m 位的位数组可以表示
2
m
(
n
+
ϵ
(
u
−
n
)
n
)
2^m {n + \epsilon (u - n) \choose n}
2m(nn+ϵ(u−n))
个集合。全集中 n 个元素的集合总共有
(
u
n
)
{ u \choose n }
(nu)
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
2
m
(
n
+
ϵ
(
u
−
n
)
n
)
≥
(
u
n
)
2^m {n + \epsilon (u - n) \choose n} \geq { u \choose n }
2m(nn+ϵ(u−n))≥(nu)
即:
m
≥
log
2
(
u
n
)
(
n
+
ϵ
(
u
−
n
)
n
)
≈
log
2
(
u
n
)
(
ϵ
u
n
)
≥
log
2
ϵ
−
n
=
n
log
2
(
1
/
ϵ
)
m \geq \log_2 \frac{ u \choose n }{ n + \epsilon (u - n) \choose n } \approx \log_2 \frac{ u \choose n}{\epsilon u \choose n} \geq \log_2 \epsilon^{-n} = n \log_2(1 / \epsilon)
m≥log2(nn+ϵ(u−n))(nu)≈log2(nϵu)(nu)≥log2ϵ−n=nlog2(1/ϵ)
上式中的近似前提是 n 和 ϵ \epsilon ϵu 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 ϵ \epsilon ϵ 的情况下,m 至少要等于 n log 2 ( 1 / ϵ ) n \log_2(1 / \epsilon) nlog2(1/ϵ) 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
=
m
n
ln
2
k = \frac{m}{n} \ln 2
k=nmln2时错误率 f 最小,这时
f
=
1
2
k
=
1
2
m
n
⋅
ln
2
f = \frac{1}{2}^k = \frac{1}{2}^{\frac{m}{n} \cdot \ln 2}
f=21k=21nm⋅ln2。现在令
f
≤
ϵ
f \leq \epsilon
f≤ϵ,可以推出
m
≥
n
log
2
(
1
/
ϵ
)
ln
2
=
n
log
2
e
⋅
log
2
(
1
/
ϵ
)
m \geq n \frac{ \log_2 ( 1 / \epsilon ) }{ \ln2 } = n \log_2 e \cdot \log_2 ( 1 / \epsilon )
m≥nln2log2(1/ϵ)=nlog2e⋅log2(1/ϵ)
这个结果比前面我们算得的下界
n
log
2
(
1
/
ϵ
)
n \log_2 ( 1/\epsilon )
nlog2(1/ϵ) 大了
log
2
e
≈
1.44
\log_2 e \approx 1.44
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
ϵ
\epsilon
ϵ,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。
M. Mitzenmacher. Compressed Bloom Filters. IEEE/ACM Transactions on Networking 10:5 (2002), 604—612. ↩︎