Bloom Filter布隆过滤器概念和原理

Bloom Filter概念和原理

Bloom Filter是一种空间效率很高的随机数据结构，它利用位数组很简洁地表示一个集合，并能判断一个元素是否属于这个集合。Bloom Filter的这种高效是有一定代价的：在判断一个元素是否属于某个集合时，有可能会把不属于这个集合的元素误认为属于这个集合（false positive）。因此，Bloom Filter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，Bloom Filter通过极少的错误换取了存储空间的极大节省。

一、集合表示和元素查询

 含义:利用bit数组简洁地表示一个集合，并能判断一个元素是否属于这个集合

 优点:时间和空间都很省

 缺点:有一定的错误

 应用:在判断元素是否属于一个很大的集合(相对静止)，能容忍低错误率的场景中使用

原理：

假设有长度为12的bit数组

初始有一个包含两个元素x1、x2的集合，有3个相互独立的hash函数，对应x1、x2的hash值为： x1(1,4,8)、x2(4,6,10)

我们将相应的bit位从0置为1

现有3个元素y1(0,1,4)、y2(4,6,10)、y3(1,6,8)从bit数组中我们可以判定y1一定不在集合中，y2、y3在集合中对不在集合中的判断是正确的，对在集合中的判断有正确(y2)、有错误(把不在集合中的y3误判为在集合中)这里就有一个错误率

二、错误率估计

 前面我们已经提到了，Bloom Filter在判断一个元素是否属于它表示的集合时会有一定的错误率（false positive rate），下面我们就来估计错误率的大小。在估计之前为了简化模型，我们假设kn<m且各个哈希函数是完全随机的。当集合S={x1, x2,…,xn}的所有元素都被k个哈希函数映射到m位的位数组中时，这个位数组中某一位还是0的概率是(过程1)：

其中1/m表示任意一个哈希函数选中这一位的概率（前提是哈希函数是完全随机的），(1-1/m)表示哈希一次没有选中这一位的概率。要把S完全映射到位数组中，需要做kn次哈希。某一位还是0意味着kn次哈希都没有选中它，因此这个概率就是（1-1/m）的kn次方。令p = e-kn/m是为了简化运算，这里用到了计算e时常用的近似： 令ρ为位数组中0的比例，则ρ的数学期望E(ρ)= p’。在ρ已知的情况下，要求的错误率（false positive rate）为：

 (1-ρ)为位数组中1的比例，(1-ρ)k就表示k次哈希都刚好选中1的区域，即false positive rate。上式中第二步近似在前面已经提到了，现在来看第一步近似。p’只是ρ的数学期望，在实际中ρ的值有可能偏离它的数学期望值。M. Mitzenmacher已经证明[2] ，位数组中0的比例非常集中地分布在它的数学期望值的附近。因此，第一步的近似得以成立。分别将p和p’代入上式中，得：

 

相比p’和f’，使用p和f通常在分析中更为方便。

 

三、最优的哈希函数个数

既然Bloom Filter要靠多个哈希函数将集合映射到位数组中，那么应该选择几个哈希函数才能使元素查询时的错误率降到最低呢？这里有两个互斥的理由：如果哈希函数的个数多，那么在对一个不属于集合的元素进行查询时得到0的概率就大；但另一方面，如果哈希函数的个数少，那么位数组中的0就多。为了得到最优的哈希函数个数，我们需要根据上一小节中的错误率公式进行计算。

先用p和f进行计算。注意到

根据对数恒等式

 

我们令，只要让g取到最小，f自然也取到最小。由于，我们可以将g写成(过程2)

则可以算出当p = 1/2(过程3)，也就是时，g取得最小值。在这种情况下，最小错误率。另外，注意到p是位数组中某一位仍是0的概率，所以p = 1/2对应着位数组中0和1各一半。换句话说，要想保持错误率低，最好让位数组有一半还空着。

需要强调的一点是，p = 0.5时错误率最小这个结果并不依赖于近似值p和f。同样对于，，，我们可以将g’写成

 同样根据过程3可以得到当p’ = 1/2时，g’取得最小值。

 

四、位数组的大小

 下面我们来看看，在不超过一定错误率的情况下，Bloom Filter至少需要多少位才能表示全集中任意n个元素的集合。假设全集中共有u个元素，允许的最大错误率为є，下面我们来求位数组的位数m。

假设X为全集中任取n个元素的集合，F(X)是表示X的位数组。那么对于集合X中任意一个元素x，在s = F(X)中查询x都能得到肯定的结果，即s能够接受x。显然，由于Bloom Filter引入了错误，s能够接受的不仅仅是X中的元素，它还能够є (u - n)个false positive。因此，对于一个确定的位数组来说，它能够接受总共n + є (u - n)个元素。在n + є (u - n)个元素中，s真正表示的只有其中n个，所以一个确定的位数组可以表示

个集合。m位的位数组共有个不同的组合，进而可以推出，m位的位数组可以表示

 个集合。全集中n个元素的集合总共有 个，因此要让m位的位数组能够表示所有n个元素的集合，必须有

在n<<єu时即有(过程4)：

上式中的近似前提是n和єu相比很小，这也是实际情况中常常发生的。根据上式，我们得出结论：在错误率不大于є的情况下，m至少要等于才能表示任意n个元素的集合。

上一小节中我们曾算出当时错误率f最小，这时。现在令f≤є，即

 

 

可以推出

这个结果比前面我们算得的下界n log2(1/є)大了log2 e ≈ 1.44倍。这说明在哈希函数的个数取到最优时，要让错误率不超过є，m至少需要取到最小值的1.44倍。

即是说n个元素的集合至少需要大小的位数组才可以完全表示，要在在哈希函数个数取到最优，错误率不超过є,应有，此时
 

五、   总结

 

 

在计算机科学中，我们常常会碰到时间换空间或者空间换时间的情况，即为了达到某一个方面的最优而牺牲另一个方面。Bloom Filter在时间空间这两个因素之外又引入了另一个因素：错误率。在使用Bloom Filter判断一个元素是否属于某个集合时，会有一定的错误率。也就是说，有可能把不属于这个集合的元素误认为属于这个集合（False Positive），但不会把属于这个集合的元素误认为不属于这个集合（False Negative）。在增加了错误率这个因素之后，Bloom Filter通过允许少量的错误来节省大量的存储空间。

本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/jiaomeng/archive/2007/01/27/1495500.aspx

 

六、   过程

 

1.        过程1

由得：

 

2.        过程2

由和

得，则

 3.        过程3

由，求g的最小值，

令，，m和n暂时看成常数，

令，由，

所以，，，又

所以当h取得最大值时，g取得最小值，

根据均值不等式：，即

 

h的最大值即为的最小值，

对该式求导，

令，因，，

有

固要，只有，由此可知当时，f取得最小值，h取得最大值，g取得最小值

4.        过程4

有，则，即

根据Stirling公式，及

 令

可以得出

 

 

 

所以