原文地址:https://yq.aliyun.com/articles/5833
一、原理分析
BloomFiler(布隆过滤器)是由Howard Bloom在1970年提出的二进制向量数据结构,怎么来理解“二进制向量数据结构”?
我们将其分解成“二进制”、“向量”和“数据结构”来分别理解。
1、二进制:用0和1来表示的数。
2、向量:是指位向量或者比特向量,即向量的坐标系的X轴是位列(连续的内存地址),Y轴是0和1两个值。
3、数据结构:存储和组织数据的方式。
我们可以这样形象理解BloomFiler,它是一段位列,位列上每一位以0或1表示着BloomFiler组织数据的意义。
而BloomFiler组织数据是将数据通过K个哈希函数分别映射到位列上,并将位列相应位置的位值赋值为1。位值为1的意义是表示数据在BloomFiler中存在。
如图:
1、位列,开始没有数据
2、将数据a哈希函数分别映射到位列上,并将位列相应位置的位赋值为1。
3、将数据b哈希函数分别映射到位列上,并将位列相应位置的位赋值为1。
查询一个数据是否存在于BloomFiler中,即将数据通过K个哈希函数分别映射到位列上,看位列相应的位置上的位值是否都为1,
如果都为1,则说明存在;如果不都为1,则说明不存在。
由于哈希存在冲突,存在的情况下,有一定的误识别率。即一个数本来不存在于BloomFiler中,而被告诉存在。
二、代码实现
static uint32_t BloomHash(const Slice& key) // 哈希函数
{
return Hash(key.data(), key.size(), 0xbc9f1d34);
}
class BloomFilterPolicy : public FilterPolicy
{
private:
size_t bits_per_key_; // 一个key占多少位
size_t k_; // 哈希函数个数
public:
explicit BloomFilterPolicy(int bits_per_key): bits_per_key_(bits_per_key)
{
// We intentionally round down to reduce probing cost a little bit
k_ = static_cast<size_t>(bits_per_key * 0.69); // 0.69 =~ ln(2)
if (k_ < 1) k_ = 1;
if (k_ > 30) k_ = 30;
}
virtual const char* Name() const
{
return "leveldb.BuiltinBloomFilter2";
}
// n:key的个数;dst:存放过滤器处理的结果
virtual void CreateFilter(const Slice* keys, int n, std::string* dst) const
{
// Compute bloom filter size (in both bits and bytes)
size_t bits = n * bits_per_key_;
// For small n, we can see a very high false positive rate. Fix it
// by enforcing a minimum bloom filter length.
// 位列bits最小64位,8个字节
if (bits < 64) bits = 64;
// bits位占多少个字节
size_t bytes = (bits + 7) / 8;
// 得到真实的位列bits
bits = bytes * 8;
const size_t init_size = dst->size();
dst->resize(init_size + bytes, 0);
// 在过滤器集合最后记录需要k_次哈希
dst->push_back(static_cast<char>(k_)); // Remember # of probes in filter
char* array = &(*dst)[init_size];
for (size_t i = 0; i < n; i++)
{
// Use double-hashing to generate a sequence of hash values.
// See analysis in [Kirsch,Mitzenmacher 2006].
uint32_t h = BloomHash(keys[i]);
const uint32_t delta = (h >> 17) | (h << 15); // Rotate right 17 bits
// 使用k个哈希函数,计算出k位,每位都赋值为1。
// 为了减少哈希冲突,减少误判。
for (size_t j = 0; j < k_; j++)
{
// 得到元素在位列bits中的位置
const uint32_t bitpos = h % bits;
/*
bitpos/8计算元素在第几个字节;
(1 << (bitpos % 8))计算元素在字节的第几位;
例如:
bitpos的值为3, 则元素在第一个字节的第三位上,那么这位上应该赋值为1。
bitpos的值为11,则元素在第二个字节的第三位上,那么这位上应该赋值为1。
为什么要用|=运算,因为字节位上的值可能为1,那么新值赋值,还需要保留原来的值。
*/
array[bitpos/8] |= (1 << (bitpos % 8));
h += delta;
}
}
}
virtual bool KeyMayMatch(const Slice& key, const Slice& bloom_filter) const
{
const size_t len = bloom_filter.size();
if (len < 2) return false;
const char* array = bloom_filter.data();
const size_t bits = (len - 1) * 8;
// Use the encoded k so that we can read filters generated by
// bloom filters created using different parameters.
const size_t k = array[len-1];
if (k > 30)
{
// 为短bloom filter保留,当前认为直接match
// Reserved for potentially new encodings for short bloom filters.
// Consider it a match.
return true;
}
uint32_t h = BloomHash(key);
const uint32_t delta = (h >> 17) | (h << 15); // Rotate right 17 bits
for (size_t j = 0; j < k; j++)
{
const uint32_t bitpos = h % bits;
// 只要有一位为0,说明元素肯定不在过滤器集合内。
if ((array[bitpos/8] & (1 << (bitpos % 8))) == 0) return false;
h += delta;
}
return true;
}
};