布隆过滤器详解 原理+实现 C++

布隆过滤器(bloom filter)

布隆过滤器(Bloom Filter)是1970年由布隆提出的。它实际上是由一个很长的bit数组和一系列哈希函数组成的。布隆过滤器可以用于检索一个元素是否在一个集合中
它是一种概率型数据结构，它能告知你一个元素大概率存在，或一定不存在。 ，常用与黑名单查找、垃圾邮件过滤、解决缓存穿透。

---

---

一、原理

假设布隆过滤器由20位二进制、3个哈希函数组成，每个元素经过哈希函数处理都能生成一个索引位置

• 添加元素时，将每一个哈希函数生成的索引位置都设为1。

• 查找元素时，如果有一个哈希函数生成的索引位置不为1，就代表100%不存在。如果每一个哈希函数生成的索引位置都为1，就代表存在(存在错误率)

---

布隆过滤器的误判率

此时table内并没有存入cat ，查询 cat ，1 3 7 位置全为1， 产生误判。布隆过滤器的误判率本质是由于hash冲突造成的。

---

推导

网上的推导过程很多，这里就直接给出结论

误判率 P 受到三个因素的影响：二进制个数 m、哈希函数个数 k、数据规模 n

误判率和数据规模都是我们手动给出，只要求二进制位的个数m、哈希函数的个数k，

例如：数据规模为1千万，误判率规定为千分之一。只需将其参数套入公式，就可得出m和k。

---

二、C++ 简单实现

int hashCode(int val) 		//提供整形、浮点、字符串的哈希值。
{
	return val;
}

int hashCode(float val)
{
	return  *(int*)(&val);
}

int hashCode(double val)
{
	unsigned long long tmp = *((long long*)&val);
	return ((tmp >> 32) ^ (tmp));
}

int hashCode(const string& val)
{
	int ret = 0;
	for (int i = 0; i < val.size(); i++)
	{
		//ret = ret * 31 + val[i]; 
		ret = (ret << 5) - ret + val[i];
	}

	return ret;
}


template<class T>
class BloomFilter
{
public:
	BloomFilter(int n, double p)
	{
		assert(n > 0 && p > 0 && p < 1);

		double ln2 = log(2);
		bitSize = -(n * log(p) / (ln2 * ln2));
		hashSize = bitSize * ln2 / n;

		int bitArrSize = (bitSize + 64 - 1) / 64;
		bitArr = new long long[bitArrSize];  //向上取整,还可以写成ceil(bitSize / 64)
		memset(bitArr, 0, bitArrSize * sizeof(long long));

	}

	~BloomFilter()
	{
		delete[] bitArr;
	}

	void put(const T& key)
	{
		assert(key);

		size_t hCode1 = hashCode(key);
		size_t hCode2 = hCode1 >> 16;

		for (int i = 1; i <= hashSize; i++)
		{
			int index = hCode1 + (i * hCode2);	//尽可能的使index分布均匀
			if (index < 0)						//防止index为负数
				index = ~index;

			index %= bitSize;					//防止越界

			int pos = index / 64;				//设置index位置为1
			int offset = index % 64;
			unsigned long long n = 1;
			bitArr[pos] = bitArr[pos] | (n << offset);
			int tmp = 1;
		}
	}

	bool contains(const T& key)
	{
		assert(key);

		size_t hCode1 = hashCode(key);
		size_t hCode2 = hCode1 >> 16;

		for (int i = `在这里插入代码片`1; i <= hashSize; i++)
		{
			int index = hCode1 + (i * hCode2);	//尽可能的使index分布均匀
			if (index < 0)						//防止index为负数
				index = ~index;

			index %= bitSize;					//防止越界

			int pos = index / 64;				//设置index位置为1
			int offset = index % 64;
			unsigned long long n = 1;

			if ((bitArr[pos] & (n << offset)) == 0)   //为0直接返回
				return false;
		}

		return true;
	}

private:
	int bitSize;		//bit位的个数
	int hashSize;		//hash函数个数
	long long* bitArr;	//bit数组
};

---

三、应用场景

1. 黑名单校验
2. 快速去重
3. 爬虫URL校验
4. leveldb/rocksdb快速判断数据是否已经block中，避免频繁访问磁盘
5. 解决缓存穿透

---

四、优缺点

优点

1. 节省内存空间
2. 插入和查询时间复杂度都为O(1)

缺点

4. 布隆过滤器不支持删除
5. 由于哈希冲突的原因，可能会出现假阳性