bloom filter浅析（基本概念，概率分析，源码分析）

基本概念

Bloom filter是一个空间高效（space- efficient）概率算法，被用于测试一个元素是否存在于一个集合中。
存在假阳性（false positive，表示实际是假但误辨为真的情况）匹配的可能，但不存在假阴性（false negatives）的可能。也就是说，一次查询返回的结果是可能在集合里或者绝对不在集合里。
最常用的操作是校验元素是否存在于集合中，也可以添加元素，但不可以删除元素。
同时，越多元素被加入到集合中，假阳性的概率就会越高。
Bloom filter一般应用在内存有限的索引场景，在可容忍的低误判的情况下，以极低的存储代价，实现去除绝大部分不必要的查询的便利。

定义

一个空的bloom filter是一个有 m 位的位数组，同时也定义 k 个哈希函数，每一个哈希函数映射元素到位数组的其中一个位。

添加：设置每一个哈希函数映射到的位为1。
查询：查询每一个哈希函数映射到的位是否都为1。只要有任意一个位不为1，则表明该元素绝对不存在。如果都为1，但也只能表明该元素可能存在（对于一般的bloom filter实现）。
删除：不支持。

补充：
要枚举所有在bloom filter中的元素是很困难的（譬如，需要许多的硬盘读取）

假阳性比例过高时，可以重新生成一个过滤器（以使得过滤器的假阳性低于某一个标准），只是这是一种相对非常少见的情况。

应用

• Google Bigtable、Apache Hbase、Apache Cassandra、PostgreSQL使用bloom filter来减少在磁盘上对不存在的行或列的查找。避免代价高昂的磁盘查询可以有效地提高数据库的查询性能。
• Google Chrome使用bloom filter来识别有害url。
• Microsoft Bing使用多层级的bloom filter来作为搜索的索引（BitFunnel，github上有对应的repo）。
• Bitcoin曾使用bloom filter来加速同步数字钱包。
• Medium使用bloom filter以避免对同一用户重复推荐相同的文章。
• Ethereum使用bloom filter在区块链上快速搜索logs。

概率分析

假阳性的概率（probability of false positive）

一个重要的前提条件，哈希函数映射到数组的每一个不同位置的概率是相等的，即简单均匀散列（simple uniform hashing）。

假设 m 为数组的位数，在对布隆过滤器插入一个元素时，某一位未被某一哈希函数（映射到）设置为1的概率是$1-\frac{1}{m}$ 。
因为数组长度为m，任意某一位被任意某一哈希函数设置为1的概率是$\frac{1}{m}$ ，那么未被设置为1即可得。

假设 k 为哈希函数的数量，每一个都是互相独立的（任意一个哈希的结果不依赖于任意其他的哈希结果），那么数组中的某一位未被散列函数设置为1的概率是 $(1-\frac{1}{m}{)}^k$ 。

根据微积分的知识，我们知道一个特殊的极限（也是自然对数 e 的定义）
$li{m}_{x\to -\infty }(1-\frac{1}{m}{)}^k=\frac{1}{e}$
又因为
( 1 − 1 m )