哈希一刀流——布隆过滤器详解

传统艺能😎

小编是双非本科大二菜鸟不赘述，欢迎米娜桑来指点江山哦

🎉🎉非科班转码社区诚邀您入驻🎉🎉
小伙伴们，打码路上一路向北，彼岸之前皆是疾苦
一个人的单打独斗不如一群人的砥砺前行
这是和梦想合伙人组建的社区，诚邀各位有志之士的加入！！
社区用户好文均加精（“标兵”文章字数2000+加精，“达人”文章字数1500+加精）
直达： 社区链接点我

---

背景🤔

听名字就有种洋玩意儿的高端感，但实际上用的十分广泛，在校招面经里面看到了有大厂在问布隆过滤器，这里我就说一下我的拙见：

在上手新游戏的时候，你想到一个很有逼格的昵称，但此时系统告诉你 “此昵称已被注册”，这个昵称的唯一性就是运用了哈希的布隆过滤器，他本质上是就是一个 key 的模型，他只需要判断对象是否存在过就行。

按照我之前的思路，这种问题就有两种方法：

方法一：用红黑树或哈希表将所有使用过的昵称存储起来，直接判断该昵称是否在红黑树或哈希表中即可，但红黑树和哈希表最大的问题就是浪费空间，当昵称数量非常多的时候内存当中根本无法 hold 住
方法二：虽然位图只能存储整型数据，但我们可以通过一些哈希算法将字符串转换成整型，比如BKDR哈希算法，我们只需要直接判断位图中该昵称对应的比特位是否被设置即可

虽然但是，使用位图的情况下，256 个字符串排列组合有无限种可能，而映射成 10 个数字的单元上，不论用何种哈希算法都是必定会出现大量冲突的，硬要使用的话，还会面临一个更大的问题：因为不同的字符串被映射成了相同的整型，此时就会出现$误判现象$，明明没有使用过的昵称也会被判定为已使用，于是$布隆过滤器$横空出世

概念🤔

布隆过滤器是由布隆（Burton Howard Bloom）在1970年提出的一种紧凑的、比较巧妙的概率型数据结构，特点是高效地插入和查询

布隆过滤器其实就是位图的一个变形和延申，虽然无法避免哈希冲突，但我们可以想办法降低误判的概率；当一个数据映射到位图中时，布隆过滤器会用多个哈希函数映射到多个比特位，当判断一个数据是否在位图当中时，需要分别根据这些哈希函数计算出对应的比特位，比特位设置了代表着当前状态的默认值，设置为 1 则判定为该数据存在，这一点很类似于我们定义红黑数的节点颜色。

布隆过滤器使用多个哈希函数进行映射，目的就在于降低哈希冲突的概率，一个哈希函数产生冲突的概率可能比较大，但多个哈希函数同时产生冲突的概率可就没那么大了！

举个栗子：假设此时用三个哈希函数进行映射，那么 “张三” 这个昵称被使用后位图中会有三个地方会被置 1，当有人要使用 “李四” 这个昵称时，就算前两个哈希函数计算出来的位置都产生了冲突，但由于第三个哈希函数计算出的比特位的值为 0，此时系统就会判定“李四”这个昵称没有被使用过：

但是尽管如此，只要数据基数足够大，也会出现误判情况：比如此时又有人要使用 “王五” 这个昵称，虽然 “王五” 计算出来的三个位置既不和“张三”完全一样，也不和“李四”完全一样，但“王五”的三个位置都被“张三”和“李四”占用了，此时系统也会误判 “王五” 这个昵称已经被使用过了:

😋😋**敲黑板！**😋😋

虽然布隆过滤器判断一个数据存在可能是不准确的，因为这个数据对应的比特位可能被其他一个数据或多个数据占用了；但是布隆过滤器判断一个数据不存在却是准确的，因为如果该数据存在那么该数据对应的比特位都应该已经被设置为1了

误判控制😋

很显然，过小的布隆过滤器比特位很快就会都被设为 1，此时误判率就会飙升，因此布隆过滤器的长度会直接影响误判率，布隆过滤器的长度越长其误判率越小

此外，哈希函数的个数也需要权衡，哈希函数的个数越多布隆过滤器中比特位被设置为1的速度越快，但是布隆过滤器的效率越低，但如果哈希函数的个数太少，也会导致误判率变高

大佬在权衡过其中的关系后得出了一套比较得当的公式：

k 是哈希函数个数
m 为布隆过滤器长度
n为插入的元素个数
p为误判率。

我们这里可以大概估算一下，如果使用 3 个哈希函数，那么 k 的值就为 3，ln2 的值我们取 0.7，那么 m 和 n 的关系大概是 m = 4 × n ，也就是过滤器长度应该是插入元素个数的 4 倍