如何判断一个元素是否存在于集合里?
常见的一些解决办法有:
- 遍历集合(数组,链表,树)
- 哈希表
但是随着集合中元素的增加,我们需要的存储空间越来越大,检索速度也越来越慢。
遍历集合的时间成本高,时间复杂度再O(n)到O(logn)不等
而哈希表也存在问题,当元素越来越多,哈希冲突也会越严重,从而影响查询效率。
而布隆过滤则是一种时间空间都有巨大优化的算法
基础介绍
布隆过滤器(Bloom Filter)是1970年由布隆提出的。它实际上是一个很长的二进制向量(位图)和一系列随机映射函数(哈希函数)。
布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法,缺点是有一定的误识别率和删除困难。
多Hash位图实现
布隆过滤器其中重要的实现就是位图的实现,也就是位数组,并且在这个数组中每一个位置只占有1个bit,而每个bit只有0和1两种状态。如上图bitarray所示!bitarray也叫bitmap,大小也就是布隆过滤器的大小。
假设一种有k个哈希函数,且每个哈希函数的输出范围都大于m,接着将输出值对k取余(%m),就会得到k个[0, m-1]的值,由于每个哈希函数之间相互独立,因此这k个数也相互独立,最后将这k个数对应到bitarray上并标记为1。
等判断时,将输入对象经过这k个哈希函数计算得到k个值,然后判断对应bitarray的k个位置是否都为1(是否标黑),如果有一个不为1,那么这个输入对象则不在这个集合中,如果都是1,那说明在集合中,但有可能会误,由于当输入对象过多,而集合也就是bitarray过小,则会出现大部分为1的情况,那样就容易发生误判!因此使用布隆过滤器是需要容忍错误率的,即使很低很低!
布隆过滤器重要参数计算
如果输入量过大,而bitarray空间的大小又很小,那么误判率就会上升。
设bitarray大小为m,样本数量为n,需要的hansh函数个数为k,失误率为p。计算公式如下:(小数向上取整)
注意:由于我们计算的m和k可能是小数,那么需要经过向上取整,此时需要重新计算误判率p!
常见应用场景
- cerberus在收集监控数据的时候, 有的系统的监控项量会很大, 需要检查一个监控项的名字是否已经被记录到db过了, 如果没有的话就需要写入db.
- 爬虫过滤已抓到的url就不再抓,可用bloom filter过滤
- 垃圾邮件过滤。如果用哈希表,每存储一亿个 email地址,就需要 1.6GB的内存(用哈希表实现的具体办法是将每一个 email地址对应成一个八字节的信息指纹,然后将这些信息指纹存入哈希表,由于哈希表的存储效率一般只有 50%,因此一个 email地址需要占用十六个字节。一亿个地址大约要 1.6GB,即十六亿字节的内存)。因此存贮几十亿个邮件地址可能需要上百 GB的内存。而Bloom Filter只需要哈希表 1/8到 1/4 的大小就能解决同样的问题。