布隆过滤器(Bloom Filter)
布隆过滤器,用很长的二进制矢量和哈希函数实现,主要作用是快速判断一个元素是否在集合中。
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。
主要特点是如果过滤器判断一个元素不在集合中,那么这个元素必定不在该集合中。命题的否命题则不成立
原理
- 初始化长度为
n
比特的数组,每个比特初始化为0 - 设置
k
个hash函数,每个hash函数可以将key散列为一个整数(该整数应该小于数组长度) - 当某个key加入集合时,用k个hash函数计算出k个散列值,并把数组中对应的位置的比特置为1
- 判断某个key是否在集合中时,用k个hash函数计算出k个散列值,查询数组中对应的比特位,如果对应的所有比特位都为1,则认为该key在集合中
误判情况分析
误判率与hash函数个数k,位数组长度m,插入元素个数n有关。
m,n确定时 k = m n l n 2 ≈ 0.7 m n k = \frac{m}nln2 \approx 0.7\frac{m}n k=nmln2≈0.7nm
对于给定的误算率p,最优的位数组大小 m = − n l n p ( l n 2 ) 2 m = - \frac{nlnp}{(ln2)^2} m=−(ln2)2nlnp,m应该与n成正比
二进制矢量,这里是位数组,每个元素大小为1bit
,100万个bit:
1
×
1
0
6
b
i
t
=
125
×
1
0
3
B
≈
122
K
B
1\times10^6bit = 125\times10^3B \approx122KB
1×106bit=125×103B≈122KB,
Bloom Filter 用例
Google 著名的分布式数据库 Bigtable 使用了布隆过滤器来查找不存在的行或列,以减少磁盘查找的IO次数。
Squid 网页代理缓存服务器在 cache digests 中使用了也布隆过滤器。
Venti 文档存储系统也采用布隆过滤器来检测先前存储的数据。
SPIN 模型检测器也使用布隆过滤器在大规模验证问题时跟踪可达状态空间。
Google Chrome浏览器使用了布隆过滤器加速安全浏览服务。
在很多Key-Value系统中也使用了布隆过滤器来加快查询过程,如 Hbase,Accumulo,Leveldb,一般而言,Value 保存在磁盘中,访问磁盘需要花费大量时间,然而使用布隆过滤器可以快速判断某个Key对应的Value是否存在,因此可以避免很多不必要的磁盘IO操作,只是引入布隆过滤器会带来一定的内存消耗,下图是在Key-Value系统中布隆过滤器的典型使用: