1.应用
布隆过滤器用于判断某一个值是不是已经存在。比如我们在使用新闻客户端看新闻时,它会给我们不停地推荐新的内容,而它每次推荐时都要去重,以去掉那些我们已经看过的内容。
布隆过滤器是专门用来解决这种去重问题的,它在起到去重作用的同时,在空间上还能节省90%以上,但是会有一定的误判概率。当布隆过滤器说某个值存在时,这个值可能不存在;当它说某个值不存在时,那就肯定不存在。
用在推送去重的场景中,布隆过滤器可以准确地过滤掉那些用户已经看过的内容,用户没有看过的内容,它也会过滤掉一小部分(误判),这样就可以保证推荐给用户的内容都是无重复的。
2.原理
1.布隆过滤器数据结构
布隆过滤器是一个 bit 向量或者说 bit 数组,长这样:
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,例如针对值 “baidu” 和三个不同的哈希函数分别生成了哈希值 1、4、7,则上图转变为:
Ok,我们现在再存一个值 “tencent”,如果哈希函数返回 3、4、8 的话,图继续变为:
值得注意的是,4 这个 bit 位由于两个值的哈希函数都返回了这个 bit 位,因此它被覆盖了。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?答案跟简单,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。
2.如何选择哈希函数个数和布隆过滤器长度
很显然,过小的布隆过滤器很快所有的 bit 位均为 1,那么查询任何值都会返回“可能存在”,起不到过滤的目的了。布隆过滤器的长度会直接影响误报率,布隆过滤器越长其误报率越小。
另外,哈希函数的个数也需要权衡,个数越多则布隆过滤器 bit 位置位 1 的速度越快,且布隆过滤器的效率越低;但是如果太少的话,那我们的误报率会变高。
k 为哈希函数个数,m 为布隆过滤器长度,n 为插入的元素个数,p 为误报率
如何选择适合业务的 k 和 m 值呢,这里直接贴一个公式:
3.性能分析
1.时间和内存分析
redis 布隆过滤器提供的指令有四个。
- bf.add添加元素
- bf.exists查询元素是否存在
- bf.madd批量添加元素
- bf.mexists一次查询多个元素是否存在
和redis基本类型set的部分功能类似,其中bf.add和bf.madd指令可以类比set集合的sadd指令,bf.exists可以类比set集合的sismember指令。这里对bf.add和bf.exists的性能与set集合进行对比测试。
使用Java编写一小段测试程序,由于jedis不支持布隆过滤器,可以使用RedisLabs提供的JReBloom:
public class BloomFilterTest {
private static final Jedis jedis = new Jedis("127.0.0.1", 6379);
private static final String VALUE_PRE = "AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWwXxYyZz0123456789";
private static final String TEST_KEY = "test.key";
private static final String TEST_BF_KEY = "test.bf.key";
private static final Client client = new Client("127.0.0.1", 6379);
public static void main(String[] args) {
Scanner scan = new Scanner(System.in);
System.out.println("输入测试条数:");
int times = scan.nextInt();
System.out.println("输入测试指令:");
String order = scan.next();
System.out.println("----start test----");
long start = System.currentTimeMillis();
if ("sadd".equals(order)) {
sadd(times);
} else if ("bfadd".equals(order)) {
bfadd(times);
} else if ("bfexists".equals(order)) {
bfexists(times);
} else if ("sismember".equals(order)) {
sismember(times);
}
System.out.println(order + "共耗时" + (System.currentTimeMillis() - start) + "ms");
jedis.close();
client.close();
}
private static void sismember(int times) {
for (int i=0; i<times; i++) {
String item = generateString(i);
jedis.sismember(TEST_KEY, item);
}
}
private static void bfexists(int times) {
for (int i=0; i<times; i++) {
String item = generateString(i);
client.exists(TEST_BF_KEY, item);
}
}
private static void bfadd(int times) {
for (int i=0; i<times; i++) {
String item = generateString(i);
client.add(TEST_BF_KEY, item);
}
}
private static void sadd(int times) {
for (int i=0; i<times; i++) {
String item = generateString(i);
jedis.sadd(TEST_KEY, item);
}
}
private static String generateString(int i) {
return VALUE_PRE + i;
}
}
测试流程:
首先,使用redis的redis-cli info memory命令看下当前redis的内存情况
编译运行java程序,插入100w条记录进行测试,value大小在30个字符左右。
1.bf.add指令
内存占用情况
2.sadd指令
内存占用
可以看出,bf.add指令与sadd指令在时间上相比并没有优势,但是在内存占用上来说,set集合的内容占用大概是布隆过滤器的10倍。
3.sismember指令
4.bf.exists指令
2.误差分析
稍微修改下上面的程序
public class BloomFilterError {
private static final Jedis jedis = new Jedis("127.0.0.1", 6379);
private static final String VALUE_PRE = "AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWwXxYyZz0123456789";
private static final String TEST_BF_KEY = "test.bf.key";
private static final Client client = new Client("127.0.0.1", 6379);
public static void main(String[] args) {
for (long i=100000; i<=1000000;) {
int bfexists = bfexists(i);
System.out.printf("count=" + i + "\tbfexists=" + bfexists);
System.out.printf("\terror percentages=%.3f\n", Math.abs(i - bfexists)/(i*0.01));
i += 100000;
}
jedis.close();
client.close();
}
private static int bfexists(long times) {
int correct = 0;
for (int i=0; i<times; i++) {
String item = generateString(i);
if (client.exists(TEST_BF_KEY, item)) {
correct++;
}
}
return correct;
}
private static String generateString(int i) {
return VALUE_PRE + i;
}
}
运行结果:
可以看到存在的正确率是100%。
修改下generateString的逻辑,生成的全是布隆过滤器中不存在的值:
private static String generateString(int i) {
return VALUE_PRE + "0" + i;
}
运行程序,看下判断的正确率:
可以看到正确率都在98.6%以上。
plus
误判率可以使用公式计算,要求误判率越低,所需要的空间越大。如果一千万的数据,误判率允许 1%, 大概需要11M左右;如果要求误判率为 0.1%,则大概需要 17 M左右。可以使用bloom filter calculator计算。https://krisives.github.io/bloom-calculator/
参考博文: