【C++从小白到大牛】布隆过滤器

布隆过滤器的提出

布隆过滤器概念

布隆过滤器的原理：

布隆过滤器的运作的总体过程：

布隆过滤器的插入

原码

布隆过滤器的查找

布隆过滤器删除

关于布隆过滤器的面试题：

1. 给两个文件，分别有100亿个query，我们只有1G内存，如何找到两个文件交集？分别给出精确算法和近似算法

思路：

如何进行哈希切分呢？

2、如何扩展BloomFilter使得它支持删除元素的操作？

3、给一个超过100G大小的log file, log中存着IP地址, 设计算法找到出现次数最多的IP地址？与上题条件相同，如何找到top K的IP？

思路：

解析:

布隆过滤器优点：

布隆过滤器的缺点：

总结：

布隆过滤器的提出

上一篇文章我们已经学习了位图的应用，但是位图一般只能处理整形，如果内容编号是字符串，就无法处理了。而我们又知道如果只用哈希表存储用户记录，缺点就是浪费空间。但是我们将哈希表和位图结合起来呢，就是我们的布隆过滤器！

布隆过滤器概念

布隆过滤器是由布隆（Burton Howard Bloom）在1970年提出的 一种紧凑型的、比较巧妙的概率型数据结构，特点是高效地插入和查询，可以用来告诉你 “某样东西一定不存在或者可能存
在”，它是用多个哈希函数，将一个数据映射到位图结构中。此种方式不仅可以提升查询效率，也可以节省大量的内存空间。

布隆过滤器的原理：

布隆过滤器是一个 bit 向量或者说 bit 数组，如果我们要映射一个值到布隆过滤器中，我们需要使用多个不同的哈希函数生成多个哈希值，并对每个生成的哈希值指向的 bit 位置 1，用多个不同的哈希函数生成多个哈希值，这句话是核心！

布隆过滤器为什么可以告诉你某样东西一定不存在或者可能存在 ？

现在我们如果想查询 “dianping” 这个值是否存在，哈希函数返回了 1、5、8三个值，结果我们发现 5 这个 bit 位上的值为 0，说明没有任何一个值映射到这个 bit 位上，因此我们可以很确定地说 “dianping” 这个值不存在。而当我们需要查询 “baidu” 这个值是否存在的话，那么哈希函数必然会返回 1、4、7，然后我们检查发现这三个 bit 位上的值均为 1，那么我们可以说 “baidu” 存在了么？答案是不可以，只能是 “baidu” 这个值可能存在。

这是为什么呢？答案很简单，因为随着增加的值越来越多，被置为 1 的 bit 位也会越来越多，这样某个值 “taobao” 即使没有被存储过，但是万一哈希函数返回的三个 bit 位都被其他值置位了 1 ，那么程序还是会判断 “taobao” 这个值存在！

布隆过滤器的运作的总体过程：

字符串（通过哈希函数）——>返回整形——>映射存储的位置

谁有误判？

在：有误判的可能（本来不在，映射位置冲突了，误判成在了）

不在：准确无误的

布隆可以多映射几个位，降低冲突的概率。

布隆过滤器的插入

注意这里的红框框部分

这里的Hash()就是实例化一个临时对象，然后调用operator()求key hash之后的值，这里就是匿名对象的应用，对象访问类型里面的仿函数直接（）就行，不用加上.操作符

Hash1()是为了生成临时对象Hash1()()是用生成的临时对象调用仿函数

原码

struct HashFuncBKDR
{
	// BKDR
	size_t operator()(const string& s)
	{
		size_t hash = 0;
		for (auto ch : s)
		{
			hash *= 131;
			hash += ch;
		}

		return hash;
	}
};

struct HashFuncAP
{
	// AP
	size_t operator()(const string& s)
	{
		size_t hash = 0;
		for (size_t i = 0; i < s.size(); i++)
		{
			if ((i & 1) == 0) // 偶数位字符
			{
				hash ^= ((hash << 7) ^ (s[i]) ^ (hash >> 3));
			}
			else              // 奇数位字符
			{
				hash ^= (~((hash << 11) ^ (s[i]) ^ (hash >> 5)));
			}
		}

		return hash;
	}
};

struct HashFuncDJB
{
	// DJB
	size_t operator()(const string& s)
	{
		size_t hash = 5381;
		for (auto ch : s)
		{
			hash = hash * 33 ^ ch;
		}

		return hash;
	}
};

template<size_t N, 
	class K = string,
	class Hash1 = HashFuncBKDR,
	class Hash2 = HashFuncAP,
	class Hash3 = HashFuncDJB>
class BloomFilter
{
public:
	void Set(const K& key)
	{
		size_t hash1 = Hash1()(key) % M;
		size_t hash2 = Hash2()(key) % M;
		size_t hash3 = Hash3()(key) % M;

		_bs->set(hash1);
		_bs->set(hash2);
		_bs->set(hash3);
	}

	bool Test(const K& key)
	{
		size_t hash1 = Hash1()(key) % M;
		if (_bs->test(hash1) == false)
			return false;

		size_t hash2 = Hash2()(key) % M;
		if (_bs->test(hash2) == false)
			return false;

		size_t hash3 = Hash3()(key) % M;
		if (_bs->test(hash3) == false)
			return false;

		return true; // 存在误判(有可能3个位都是跟别人冲突的，所以误判)
	}

private:
	static const size_t M = 10 * N;
	//bit::bitset<M> _bs;
	std::bitset<M>* _bs = new std::bitset<M>;
};

布隆过滤器的查找

布隆过滤器的思想是将一个元素用多个哈希函数映射到一个位图中，因此被映射到的位置的比特位一定为1。所以可以按照以下方式进行查找：分别计算每个哈希值对应的比特位置存储的是否零，只要有一个为零，代表该元素一定不在哈希表中，否则可能在哈希表中。

注意：布隆过滤器如果说某个元素不存在时，该元素一定不存在，如果该元素存在时，该元素可能存在，因为有些哈希函数存在一定的误判。

比如：在布隆过滤器中查找"alibaba"时，假设3个哈希函数计算的哈希值为：1、3、7，刚好和其他元素的比特位重叠，此时布隆过滤器告诉该元素存在，但实该元素是不存在的。

布隆过滤器删除

布隆过滤器不能直接支持删除工作，因为在删除一个元素时，可能会影响其他元素。

比如：删除上图中"tencent"元素，如果直接将该元素所对应的二进制比特位置0，“baidu”元素也被删除了，因为这两个元素在多个哈希函数计算出的比特位上刚好有重叠

关于布隆过滤器的面试题：

1. 给两个文件，分别有100亿个query，我们只有1G内存，如何找到两个文件交集？分别给出精确算法和近似算法

我们首先要预估一下100亿个query,也就是字符串会占多少空间

假设一个字符串50字节，而我们又知道1G 约等于 10字节，所以大概会占500个G

近似算法就是利用布隆器过滤，因为可能存在误判，所以就是近似算法。

这里重点讲解一下精确算法——哈希切分！

首先将磁盘分成1000份，为什么不是分成500份呢？一共500个G,正好每个文件占1G，注意我们这里是哈希切分，而不是普通的切分，哈希切分出来的文件大小是不确定的，并不是均分的，因此有可能冲突比较多会超过1G,因此切分成1000份，基本不会超出范围。

思路：

1. 我们直接依次将数据进行哈希切分到这1000*2个文件中
2. 这些数据都是存放在磁盘当中，所以不受1G内存的限制
3. 接着我们依次取出一份A0，和B0放入内存中进行找交集的操作
4. 因为分了1000份，所以此时的A0和B0基本不会超出内存1G的限制

如何进行哈希切分呢？

依次读取每一个query，i = HashFunc(query) % 1000,这个query就放入Ai文件；

同理，依次读取每一个query，i = HashFunc(query) % 1000,这个query就放入Bi文件；

注意这里的平均切找交集是N^2，而哈希切找交集是N。

原因：因为平均切出来的A0文件要分别与B0,B1……B999找交集，但是我们的哈希切只需要A0和B0,A1和B1进行单对单的找交集，因为A和B相同的query一定会进入编号相同的Ai和Bi小文件

如何找交集呢？

Ai 的 query放在 set<string> seta, Bid query放在 set<string> setb，seta和setb找交集即可

Ai和Bi文件想象桶一样，重复和冲突的query都是进入相同的桶，某个文件太大，有两种可能，第一：相同的太多，这种读出来插入set就会去重，不会影响；第二：冲突的太多，读出来set时会抛异常，需要二次处理，再换哈希函数进行二次哈希切分！

2、如何扩展BloomFilter使得它支持删除元素的操作？

每个位置改成多个位的引用计数就可以支持。比如一个映射位置给8个bit标记，但是这样空间消耗就大了

3、给一个超过100G大小的log file, log中存着IP地址, 设计算法找到出现次数最多的IP地址？与上题条件相同，如何找到top K的IP？

思路：

这一道题普通切分根本行不通，因为可能每个小文件都可能存在相同的IP，因此这题必须使用哈希切分！

解析:

依次读取每个IP，i = HashFunc(ip) % 100,每个IP就进入Ai小文件。那么相同的IP就进入相同的小文件。每个小文件里面要么存放相同的IP，要么存放冲突的IP。

依次使用map<string, int> countMap,统计出每个文件IP出现的次数（如果map抛异常爆了，那么说明冲突很多，小文件很大，就换哈希函数，二次切分处理）

布隆过滤器优点：

1.  增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数，一般比较小)，与数据量大小无关
2.  布隆过滤器不需要存储元素本身，在某些对保密要求比较严格的场合有很大优势
3.  在能够承受一定的误判时，布隆过滤器比其他数据结构有这很大的空间优势

布隆过滤器的缺点：

1. 有误判率，即存在假阳性(False Position)，即不能准确判断元素是否在集合中(补救方法：再建立一个白名单，存储可能会误判的数据)
2.  不能获取元素本身
3. . 一般情况下不能从布隆过滤器中删除元素
4.  如果采用计数方式删除，可能会存在空间消耗过大的问题

总结：

海量数据问题特征：数据量大，内存存不下

总体思路：

1. 先考虑具有特点的数据结构能否解决？比如：位图、堆、布隆过滤器等等
2. 大事化小思路。哈希切分（不能平均切分）切小以后，放入内存中能处理