布隆过滤器揭秘：让URL黑名单存储从640GB缩小到35.88GB！

大家好，我是小米，一个热爱分享技术的小伙伴。今天我们来聊一聊在实际工作中如何使用布隆过滤器（Bloom Filter）来处理大规模URL黑名单的存储和查询问题。

问题背景

假设我们有一个规模达到100亿的黑名单URL集合，每个URL的长度为64字节。如何高效地存储和查询这个黑名单呢？

散列表方法

我们先考虑一下常规的散列表方法。如果使用HashMap来存储这些URL：

• 每个URL 64字节
• 100亿个URL需要存储：100亿 * 64B = 640GB

显然，这样的存储需求是不可行的，因为它对内存的要求太高。

布隆过滤器介绍

这时候，我们可以引入布隆过滤器，它是一种高效的概率型数据结构，用于检测一个元素是否属于一个集合。布隆过滤器具有以下特点：

• 占用空间小
• 查询速度快
• 允许一定的误判（即可能认为不存在的元素存在，但不会把存在的元素认为不存在）

布隆过滤器原理

布隆过滤器由一个很长的二进制位数组和一系列随机映射函数（哈希函数）组成。

• 位数组：每个元素占用1 bit，初始时所有位都设为0。
• 哈希函数：假设有K个哈希函数，每个函数将输入元素映射为位数组的一个下标。

插入元素

当一个元素加入布隆过滤器时，执行以下步骤：

• 使用K个哈希函数对元素进行哈希计算，得到K个哈希值。
• 将位数组中对应哈希值位置的bit设为1。

查询元素

查询一个元素是否在布隆过滤器中时，执行以下步骤：

1. 使用K个哈希函数对查询元素进行哈希计算，得到K个哈希值。
2. 检查位数组中对应哈希值位置的bit是否都为1。如果都为1，则认为该元素存在；如果有一个为0，则认为该元素不存在。

计算布隆过滤器参数

为了更好地理解布隆过滤器的存储效率，我们需要计算以下参数：

• 位数组长度（m）：我们需要选择一个合适的位数组长度来保证较低的误判率。
• 哈希函数数量（K）：哈希函数的数量也需要根据集合大小和位数组长度来确定。

假设我们允许的误判率为0.01%，我们可以使用以下公式来计算m和K：

其中，n是集合中的元素数量，p是允许的误判率。

具体计算如下：

代入公式：

通过计算，我们得出位数组的长度为287亿bit（约合35.88GB），需要20个哈希函数。这样，布隆过滤器的内存占用从原来的640GB大幅减少到了35.88GB，且具有较高的查询效率。

布隆过滤器的实现

下面是布隆过滤器的Java实现，包括初始化、添加元素和查询元素的代码。

代码说明

• BitSet：用于存储位数组。
• MessageDigest：用于生成哈希值。
• add：将一个URL添加到布隆过滤器中。
• check：检查一个URL是否存在于布隆过滤器中。
• getHash：生成哈希值，并结合种子（seed）确保多个哈希函数的实现。
• intToBytes：将整数转换为字节数组，用于哈希函数的种子。

这个实现使用了MD5哈希函数，可以根据需求选择其他哈希函数。通过调整位数组大小和哈希函数数量，可以在存储效率和误判率之间取得平衡。

END

布隆过滤器作为一种高效的概率型数据结构，能够在大规模数据集上实现高效的存储和查询，特别适用于URL黑名单这样的场景。通过合理地选择位数组长度和哈希函数数量，我们可以在保证较低误判率的前提下，大幅减少内存使用。

希望今天的分享能帮助大家更好地理解和应用布隆过滤器。如果大家有任何问题或需要进一步探讨，欢迎在评论区留言。我们下次再见！

我是小米，一个喜欢分享技术的29岁程序员。如果你喜欢我的文章，欢迎关注我的微信公众号“软件求生”，获取更多技术干货！

原创作者: u_16237826 转载于: https://blog.51cto.com/u_16237826/11680263