HBase学习笔记（三）——布隆过滤器(Bloom Filter)的原理

布隆过滤器介绍

    布隆过滤器（Bloom Filter）由 Burton Howard Bloom 在 1970 年提出，是一种空间效率高的概率型数据结构。它专门用来检测集合中是否存在特定的元素。

布隆过滤器带有以下特点：

• 一个很长的二进制向量（位数组）
• 一系列随机函数（哈希）
• 空间效率和查询效率高
• 有一定的误判率（哈希表是精确匹配）

布隆过滤器原理

布隆过滤器（Bloom Filter）的核心是实现一个超大的位数组和几个哈希函数。

    假设位数组的长度为m，哈希函数的个数为k，以上图为例。
具体操作流程如下：

1. 假设集合里面有3个元素 {x,y,z}，哈希函数的个数为3。首先将位数组进行初始化，将里面每个位都设置为0。
2. 对于集合里面的每一个元素，将元素依次通过3个哈希函数进行映射，每次映射都会产生一个哈希值，这个值对应位数组上面的一个点，然后将位数组对应的位置标记为1。
3. 查询 W 元素是否存在集合中的时候，同样的方法将 W 通过哈希映射到位数组上的3个点。
4. 如果3个点的其中有一个点不为1，则可以判断该元素一定不存在集合中。 反之，如果3个点都为1，则该元素可能存在集合中。
5. 注意：此处不能判断该元素是否一定存在集合中，可能存在一定的误判率。
6. 可以从图中可以看到：假设某个元素通过映射对应下标为4、5、6这3个点。虽然这3个点都为1，但是很明显这3个点是不同元素经过哈希得到的位置，因此这种情况说明元素虽然不在稽核中，也可能对应的都是1，这是误判率存在的原因。

布隆过滤器添加元素

• 将要添加的元素给k个哈希函数
• 得到对应于位数组上的k个位置
• 将这k个位置设为1

布隆过滤器查询元素

• 将要查询的元素给k个哈希函数
• 得到对应于位数组上的k个位置
• 如果k个位置有一个为0，则肯定不在集合中
• 如果k个位置全部为1，则可能在集合中

布隆过滤器的优缺点与用途

优点

• 不需要存储数据本身，只用比特表示，因此空间占用相对于传统方式有巨大的优势，并且能够保密数据；
• 时间效率也较高，插入和查询的时间复杂度均为O(k)；
• 哈希函数之间相互独立，可以在硬件指令层面并行计算。

缺点

• 存在假阳性的概率，不适用于任何要求 100% 准确率的场景；
• 只能插入和查询元素，不能删除元素，这与产生假阳性的原因是相同的。我们可以简单地想到通过计数（即将一个比特扩展为计数值）来记录元素数，但仍然无法保证删除的元素一定在集合中。

    所以，Bloom Filter 在对查准度要求没有那么苛刻，而对时间、空间效率要求较高的场合非常合适，本文第一句话提到的用途即属于此类。另外，由于它不存在 假阴性 问题，所以用作“不存在”逻辑的处理时有奇效，比如可以用来作为 缓存系统（如Redis）的缓冲，防止缓存穿透。

布隆过滤器使用场景