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 = { x 1 , x 2 , … , x n } S = \{x_1, x_2,…,x_n\} S={x1​,x2​,…,xn​} 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 } \{1,…,m\} {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 $1(1\le i\le k)$。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 $1(1\le i\le k)$ ，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 $y_1$ 就不是集合中的元素。$y_2$ 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 = { x 1 , x 2 , … , x n } S = \{ x_1, x_2,…,x_n\} S={x1​,x2​,…,xn​}的所有元素都被 $k$ 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：
$$p^{\prime }=(1-\frac{1}{m}{)}^{kn}\approx e^{-kn/m}$$
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 $p^{\prime }=e^{-kn/m}$ 是为了简化运算，这里用到了计算e时常用的近似：
$$\underset{x\to \infty }{\lim }(1-\frac{1}{x}{)}^{-x}=e$$
令 $\rho$ 为位数组中0的比例，则 $\rho$ 的数学期望 $E(\rho )=p^{\prime }$。在 $\rho$ 已知的情况下，要求的错误率（false positive rate）为：
$$(1-\rho {)}^k\approx (1-p^{\prime }{)}^k\approx (1-p{)}^k$$

$(1-\rho )$ 为位数组中 $1$ 的比例，$(1-\rho {)}^k$ 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。 ${\rho }^{\prime }$ 只是 $\rho$ 的数学期望，在实际中 $\rho$ 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 $p$ 和 $p^{\prime }$ 代入上式中，得：
$$f^{\prime }=(1-(1-\frac{1}{m}{)}^{kn}{)}^k=(1-p^{\prime }{)}^k$$
$$f=(1-e^{-kn/m}{)}^k=(1-p{)}^k$$
相比 $p^{\prime }$ 和 $f^{\prime }$，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 $f=(1-e^{-kn/m}{)}^k=exp(k\ln (1-e^{-kn/m}))$，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
$$g=-\frac{m}{n}\ln (p)\ln (1-p)$$
根据对称性法则可以很容易看出当 $p=\frac{1}{2}$，也就是 $k=\frac{m}{n}\ln 2$ 时，$g$ 取得最小值。在这种情况下，最小错误率 $f$ 等于 $(1/2{)}^k\approx (0.6185{)}^{m/n}$。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$f^{\prime }=(1-(1-\frac{1}{m}{)}^{kn}{)}^k=\exp (k\ln (1-(1-\frac{1}{m}{)}^{kn}))$，$g^{\prime }=k\ln (1-(1-\frac{1}{m}{)}^{kn})$，$p^{\prime }=(1-\frac{1}{m}{)}^{kn}$，我们可以将 $g^{\prime }$ 写成
$$g^{\prime }=\frac{1}{n\ln (1-1/m)}\ln (p^{\prime })\ln (1-p^{\prime })$$

同样根据对称性法则可以得到当 $p^{\prime }=1/2$ 时，$g^{\prime }$ 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 $ϵ$，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 $ϵ(u-n)$个 false positive。因此，对于一个确定的位数组来说，它能够接受总共$n+ϵ(u-n)$ 个元素。在 $n+ϵ(u-n)$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
$$\left(\genfrac{}{}{0ex}{}{n+ϵ(u-n)}{n}\right)$$
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
$$2^m\left(\genfrac{}{}{0ex}{}{n+ϵ(u-n)}{n}\right)$$
个集合。全集中 n 个元素的集合总共有
$$\left(\genfrac{}{}{0ex}{}{u}{n}\right)$$
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
$$2^m\left(\genfrac{}{}{0ex}{}{n+ϵ(u-n)}{n}\right)\ge \left(\genfrac{}{}{0ex}{}{u}{n}\right)$$
即：
$$m\ge {\log }_2\frac{\left(\genfrac{}{}{0ex}{}{u}{n}\right)}{\left(\genfrac{}{}{0ex}{}{n+ϵ(u-n)}{n}\right)}\approx {\log }_2\frac{\left(\genfrac{}{}{0ex}{}{u}{n}\right)}{\left(\genfrac{}{}{0ex}{}{ϵu}{n}\right)}\ge {\log }_2{ϵ}^{-n}=n{\log }_2(1/ϵ)$$

上式中的近似前提是 n 和 $ϵ$u 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 $ϵ$ 的情况下，m 至少要等于 $n{\log }_2(1/ϵ)$ 才能表示任意 n 个元素的集合。

上一小节中我们曾算出当 $k=\frac{m}{n}\ln 2$时错误率 f 最小，这时$f={\frac{1}{2}}^k={\frac{1}{2}}^{\frac{m}{n}\cdot \ln 2}$。现在令 $f\le ϵ$，可以推出
$$m\ge n\frac{{\log }_2(1/ϵ)}{\ln 2}=n{\log }_{2}e\cdot {\log }_2(1/ϵ)$$
这个结果比前面我们算得的下界$n{\log }_2(1/ϵ)$ 大了 ${\log }_{2}e\approx 1.44$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 $ϵ$，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。

---

1. M. Mitzenmacher. Compressed Bloom Filters. IEEE/ACM Transactions on Networking 10:5 (2002), 604—612. ↩︎