如果想判断一个元素是不是在一个集合里,一般想到的是将集合中所有元素保存起来,然后通过比较确定。
但是随着集合中元素的增加,我们需要的存储空间会很大,检索的速度也越来越慢。
一、原理
Bloom Filter 是一种空间效率很高的随机数据结构,Bloom filter 可以看做是对 bit-map 的扩展。当一个元素被加入集合时,通过 K 个 Hash 函数将这个元素映射成一个位阵列(Bit array)中的 K 个点,把它们置为 1。
检索时,我们只要看看这些点是不是都是 1 就(大约)知道集合中有没有它。
值得注意的是:如果这些点有任何一个 0,则被检索元素一定不在。
如果都是 1,则被检索元素很可能在。
二、优点
空间效率和查询时间都远远超过一般的算法,布隆过滤器存储空间和插入 / 查询时间都是常数O(k)。
另外, 散列函数相互之间没有关系,方便由硬件并行实现。
布隆过滤器不需要存储元素本身,在某些对保密要求非常严格的场合有优势。
三、缺点
布隆过滤器的缺点和优点一样明显。
误算率是其中之一。随着存入的元素数量增加,误算率随之增加。但是如果元素数量太少,则使用散列表就可以。
另外,一般情况下不能从布隆过滤器中删除元素. 我们很容易想到把位数组变成整数数组,每插入一个元素相应的计数器加 1, 这样删除元素时将计数器减掉就可以了。然而要保证安全地删除元素并非如此简单。首先我们必须保证删除的元素的确在布隆过滤器里面. 这一点单凭这个过滤器是无法保证的。另外计数器回绕也会造成问题。
四、布隆过滤器的简单实现
1、为了检测存在时比较准确,我们这里用了五个哈希函数来映射其在位图中的位置:
template<class K>
struct _HashFunc1
{
size_t BKDRHash(const char *str)
{
register size_t hash = 0;
while (size_t ch = (size_t)*str++)
{
hash = hash * 131 + ch; //也可以乘以31、131、1313、13131、131313..
}
return hash;
}
size_t operator()(const K& s)
{
return BKDRHash(s.c_str());
}
};
template<class K>
struct _HashFunc2
{
size_t SDBMHash(const char *str)
{
register size_t hash = 0;
while (size_t ch = (size_t)*str++)
{
hash = 65599 * hash + ch;
//hash = (size_t)ch + (hash << 6) + (hash << 16) - hash;
}
return hash;
}
size_t operator()(const K& s)
{
return SDBMHash(s.c_str());
}
};
template<class K>
struct _HashFunc3
{
size_t RSHash(const char *str)
{
register size_t hash = 0;
size_t magic = 63689;