哈希扩展应用–位图与布隆过滤器介绍及实现
编译环境:vs2013
一、位图
1. 概念
位图:就是用一个二进制比特位来表示数据存在与否的信息。
1->表示存在;0->表示不存在。
适用于海量数据,数据无重复,通常用来判断某个数据是否存在。
同时,也可以将位图进行置1的过程逆推,算出存储元素的值,以及判断某个数据是否在位图中,从而判断此数在整组数据中是否存在。
2. 实现
bitset文档
标准库也实现了一份位图:
成员方法 | 作用 |
---|---|
set() | 将比特位进行置1 |
reset() | 将比特位进行置0 |
test() | 检测对应位的比特位是否为1 |
count() | 置1比特位的个数(位图中存储的数据个数) |
size() | 位图中比特位的总数 |
实现:
// BitSet.hpp
#pragma once
#include<vector>
#include<assert.h>
namespace bs
{
template<size_t N>
class bitset
{
public:
bitset()
:_bst(N / 8 + 1)
, _size(0)
{}
//1.比特位置1
bitset<N>& set(size_t pos)
{
assert(pos < N);
if (test(pos))
return *this;
size_t whichByte = pos / 8;
size_t whichBit = pos % 8;
_bst[whichByte] |= (1 << whichBit);
++_size;
return *this;
}
//2.比特位置0
bitset<N>& reset(size_t pos)
{
assert(pos < N);
if (!test(pos))
return *this;
size_t whichByte = pos / 8;
size_t whichBit = pos % 8;
_bst[whichByte] &= ~(1 << whichBit);
--_size;
return *this;
}
//3.判断比特位是否为1
bool test(size_t pos)
{
assert(pos);
size_t whichByte = pos / 8;
size_t whichBit = pos % 8;
return 0 != (_bst[whichByte] & (1 << whichBit));
}
size_t size()
{
return _size;
}
size_t count()
{
return N;
}
private:
std::vector<unsigned char> _bst;
size_t _size; //表示比特位为1的个数
};
}
3. 应用
- 快速查找某个元素是否在一集合中
- 可以排序和元素的去重
一个比特位只能表示一个数据是否存在,存在为1,不存在为0,所以不管有多少个一样的数值,其在位图中也只能存储一次,即将该比特位置1表示存在,所以可以去重。- 求两个集合A和B的交集和并集
交集:先将集合A映射到位图中去,再将集合B的数据映射到位图中,若该存储前位置已经置1,则表示该数为集合A的元素,依次进行下去,可求出交集。
并集:将两个集合中所有元素都映射到位图中去,然后再进行数据的收集,收集过程也是并集排序的过程。- 操作系统中磁盘块标记
二、布隆过滤器
1. 引入
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,它每次推荐时要去重,去掉那些已经看过的内容。那其中,新闻客户端推荐系统如何实现推送去重的? 服务器中记录了用户看过的所有历史记录,当推荐系统推荐新闻时会从每个用户的历史记录里进行筛选,过滤掉那些已经存在的记录,筛选出未看过的内容进行推送。 那如何快速查找呢?
- 用哈希表存储用户记录,缺点:浪费空间
- 用位图存储用户记录,缺点: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。
- 那就将哈希与位图结合,即布隆过滤器
2. 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
。
不仅可以提升查询效率,也可以节省大量的内存空间。
(1)布隆过滤器可以用来告诉你”某样东西一定不存在或者可能存在“,和用多个哈希函数将数据映射到位图结构中。
例如,我们将字符串"hello"和"world"映射到布隆过滤器中。布隆过滤器是哈希和位图的相结合,所以它也是0/1数字来表征数据是否存在的状态标志位,所以其针对的数据也是整型数据,其也是解决位图表示状态太少的情况,用多个比特位一起来表示数据信息。故也得先将字符串通过哈希函数转换成数字。
在将两字符串hello和world都用相同的哈希函数进行映射时,一些位置会产生冲突,对于一些字符串的查找可能会产生误差,这就是为什么说布隆过滤器可以用来告诉你”某样东西一定不存在或者可能存在“。
用一个例子来说明一下:
故当在布隆过滤器中查找某一数据时,若相应位都置1,表示数据可能存在;若相应位其中一个位置为0,表示数据一定不存在。
为减少查找偏差,可以采用多个哈希函数,增加数据的表示位,概率上尽可能减少冲突。
(2)布隆过滤器数据查找
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。
查找:
分别计算每个哈希值对应的比特位置存储的是否为零,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。
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。
(3)布隆过滤器优点
- 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
- 哈希函数相互之间没有关系,方便硬件并行运算
- 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
- 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
- 数据量很大时,布隆过滤器可以表示全集,其他数据结构不能
- 使用同一组散列函数的布隆过滤器可以进行交、并、差运算
(3)布隆过滤器缺点
- 有误判,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)- 不能获取元素本身
- 一般情况下不能从布隆过滤器中删除元素
3. 实现
//Common.h
//字符串转化函数
struct BKDRHash
{
size_t operator()(const string& s)
{
// BKDR
size_t value = 0;
for (auto ch : s)
{
value *= 31;
value += ch;
}
return value;
}
};
struct APHash
{
size_t operator()(const string& s)
{
size_t hash = 0;
for (long i = 0; i < s.size(); i++)
{
if ((i & 1) == 0)
{
hash ^= ((hash << 7) ^ s[i] ^ (hash >> 3));
}
else
{
hash ^= (~((hash << 11) ^ s[i] ^ (hash >> 5)));
}
}
return hash;
}
};
struct DJBHash
{
size_t operator()(const string& s)
{
size_t hash = 5381;
for (auto ch : s)
{
hash += (hash << 5) + ch;
}
return hash;
}
};
#pragma once
#include"Common.h"
#include"BitSet.hpp"
#include<iostream>
using namespace std;
namespace bs
{
template<class T, size_t N, class TtoInt1 = BKDRHash, class TtoInt2 = APHash , class TtoInt3 = DJBHash >
class bloomfilter
{
public:
bloomfilter()
:_size(0)
{}
void Insert(const T& data)
{
size_t allbitsize = _bst.count();
size_t pos1 = TtoInt1()(data) % allbitsize;
size_t pos2 = TtoInt2()(data) % allbitsize;
size_t pos3 = TtoInt3()(data) % allbitsize;
_bst.set(pos1);
_bst.set(pos2);
_bst.set(pos3);
_size++;
}
bool Find(const T& data)
{
size_t allbitsize = _bst.count();
size_t pos = TtoInt1()(data) % allbitsize;
if (!_bst.test(pos))
return false;
pos = TtoInt2()(data) % allbitsize;
if (!_bst.test(pos))
return false;
pos = TtoInt3()(data) % allbitsize;
if (!_bst.test(pos))
return false;
//数据可能存在
return true;
}
private:
bitset<N * 3> _bst;
size_t _size;
};
}
为降低字符串转化数字的比特位产生冲突情况,可以多选用几个哈希函数。
各种字符串哈希算法
4. 应用
位图和布隆过滤器都适用于处理海量数据的情况。