leveldb深度剖析-布隆过滤器

布隆过滤器使用bit数组映射关键字key，对于在一个超大的集合中判断是否存在某个key能够起到很好的效果。但是缺点很明显：容易误报。也就是本来不存在的key，可能告诉你它存在。

一、布隆过滤器

根据上图来说明布隆过滤器的原理 ：

1）布隆过滤有一个m位（这里是10个）的bit数组（或者称bitmap），bit数组初始化为全0，并且有k个（这里是3个）hash函数。

2）当我们分别存储abc，hello，world三个关键字，然后分别对这些key进行hash（每个hash都执行），得出结果如上图第三张表所示，然后对bit数组对应的bit位置1，置1后的结果如第二张表所示。

3）当我们对现有数据进行查询的时候，比如查询myworld，经过hash计算后得出0， 2，7，我们发现bit数组下标为2时，这一位为0，说明myworld一定不存在。再比如查询myabc，经过hash计算后得出0， 5，7，经过bit数组对比，发现0，5，7都是1，但是myabc却不存在，所以myabc属于误报！

总结：

1）布隆过滤器，对于不存在关键值能给出肯定结果，但是对于存在关键值只能说可能存在（存在一定误报）。这个主要是因为hash函数特征所决定的。

2）对于那么如何确定是否真的存在还是误报呢？应该交给业务模块再次进行确定查找。

3）如果保证误报率最低呢？有一个公式：k = （m/n）*ln2。（k为hash函数个数，m为bit数组大小，n为插入元素个数，ln2约等于0.69），当存在k个hash函数时误报率最低。至于为什么是这个公式，大家可自行查询相关资料。

二、leveldb中的布隆过滤器
2.1、构造方法
private:
  size_t bits_per_key_;
  size_t k_; /* 表示需要k_个hash函数 最大30个*/
 
 public:
  explicit BloomFilterPolicy(int bits_per_key)
      : bits_per_key_(bits_per_key) {
    // We intentionally round down to reduce probing cost a little bit
    k_ = static_cast<size_t>(bits_per_key * 0.69);  // 0.69 =~ ln(2)
    if (k_ < 1) k_ = 1;
    if (k_ > 30) k_ = 30;
  }
2.2、CreateFilter
/**
   * 生成过滤器
   * @param keys 数组
   * @param n    数组keys元素个数
   * @param dst  保存bitmap
   */
  virtual void CreateFilter(const Slice* keys, int n, std::string* dst) const {
    // Compute bloom filter size (in both bits and bytes)
    size_t bits = n * bits_per_key_; //表示bit数组中包含多少位
 
    // For small n, we can see a very high false positive rate.  Fix it
    // by enforcing a minimum bloom filter length.
    if (bits < 64) bits = 64;//避免误报率过高
 
    size_t bytes = (bits + 7) / 8;//8bit对齐
    bits = bytes * 8;
 
    const size_t init_size = dst->size();
    dst->resize(init_size + bytes, 0);
    dst->push_back(static_cast<char>(k_));  // Remember # of probes in filter
    char* array = &(*dst)[init_size];
    for (int i = 0; i < n; i++) {
      // Use double-hashing to generate a sequence of hash values.
      // See analysis in [Kirsch,Mitzenmacher 2006].
      // 对一个key进行两次hash
      uint32_t h = BloomHash(keys[i]);
      const uint32_t delta = (h >> 17) | (h << 15);  // Rotate right 17 bits
      //对于一个hash值（这里的hash可能很大数字）,通过for循环模拟k个hash场景
      for (size_t j = 0; j < k_; j++) {
        const uint32_t bitpos = h % bits;//对bit数组求余 获取存储的bit
        array[bitpos/8] |= (1 << (bitpos % 8));
        h += delta;
      }
    }
  }
2.3、KeyMayMatch
/**
   * 匹配key是存在当前过滤器中
   * @param key 关键值
   * @param bloom_filter 过滤器
   * @return  false 表示不存在
   *          true  表示key可能存在  是否真的存在还需要对key进行比较
   */
  virtual bool KeyMayMatch(const Slice& key, const Slice& bloom_filter) const {
    const size_t len = bloom_filter.size();
    if (len < 2) return false;
 
    const char* array = bloom_filter.data();
    const size_t bits = (len - 1) * 8;
 
    // Use the encoded k so that we can read filters generated by
    // bloom filters created using different parameters.
    const size_t k = array[len-1];
    if (k > 30) {
      // Reserved for potentially new encodings for short bloom filters.
      // Consider it a match.
      return true;
    }
 
    uint32_t h = BloomHash(key);
    const uint32_t delta = (h >> 17) | (h << 15);  // Rotate right 17 bits
    for (size_t j = 0; j < k; j++) {
      const uint32_t bitpos = h % bits;
      if ((array[bitpos/8] & (1 << (bitpos % 8))) == 0) return false;
      h += delta;
    }
    return true;
  }
三、布隆过滤器在leveldb中的应用
那么布隆过滤器在leveldb应用到什么方面呢？看过之前的博客，应该有印象的，在介绍存储结构中一个的block叫做filter block。这部分处理就是布隆过滤器应用之处，可参考《leveldb深度剖析-存储结构(2)》。下面具体看看是如何应用的。

3.1、开启过滤策略
leveldb接口默认不开启过滤策略（不是很清楚为啥？），在创建对象Options时候指定了为NULL（options.cc）。

Options::Options()
    : comparator(BytewiseComparator()),
      create_if_missing(false),
      error_if_exists(false),
      paranoid_checks(false),
      env(Env::Default()),
      info_log(NULL),
      write_buffer_size(4<<20), // 4M
      max_open_files(1000),
      block_cache(NULL),
      block_size(4096),
      block_restart_interval(16), //重启点间隔为16
      max_file_size(2<<20), //2M
      compression(kSnappyCompression),
      reuse_logs(false),
      filter_policy(NULL) {
}
 所以我们在创建Options对象需要单独设置一下filter_policy对象才可以。

3.2、添加key
std::string keys_;              // Flattened key contents
std::vector<size_t> start_;     // Starting index in keys_ of each key
 
/**
 * 将key添加到FilterBlock中
 * @param key InternalKey 不包含value
 */
void FilterBlockBuilder::AddKey(const Slice& key) {
  Slice k = key;
  start_.push_back(keys_.size());//记录每个key的偏移位置
  keys_.append(k.data(), k.size());//将key追加到字符串keys_末尾
}
3.3、Finish
Finish主要是格式化之前保存的key的，这里就会涉及布隆过滤器的。

Slice FilterBlockBuilder::Finish() {
  if (!start_.empty()) {
    GenerateFilter();//生成过滤器数据
  }
 
  // Append array of per-filter offsets
  // 经过上面GenerateFilter操作后result_保存操作结果
  const uint32_t array_offset = result_.size();
  for (size_t i = 0; i < filter_offsets_.size(); i++) {
    PutFixed32(&result_, filter_offsets_[i]);
  }
 
  PutFixed32(&result_, array_offset);
  result_.push_back(kFilterBaseLg);  // Save encoding parameter in result
  return Slice(result_);//返回后 写入ldb文件
}
 3.4、GenerateFilter
void FilterBlockBuilder::GenerateFilter() {
  const size_t num_keys = start_.size();//start_保存这这个block存储的key 多个
  if (num_keys == 0) {
    // Fast path if there are no keys for this filter
    filter_offsets_.push_back(result_.size());
    return;
  }
 
  // Make list of keys from flattened key structure
  start_.push_back(keys_.size());  // Simplify length computation
  tmp_keys_.resize(num_keys);
  for (size_t i = 0; i < num_keys; i++) {
    const char* base = keys_.data() + start_[i];
    size_t length = start_[i+1] - start_[i];
    tmp_keys_[i] = Slice(base, length);
  }
 
  // Generate filter for current set of keys and append to result_.
  // 调用布隆过滤器生成数据
  filter_offsets_.push_back(result_.size());
  policy_->CreateFilter(&tmp_keys_[0], static_cast<int>(num_keys), &result_);
 
  tmp_keys_.clear();
  keys_.clear();
  start_.clear();
}
3.5、查找匹配
查询的时候需要创建FilterBlockReader对象才可以进行查询，调用FilterBlockReader的KeyMayMatch方法即可，具体如下：

bool FilterBlockReader::KeyMayMatch(uint64_t block_offset, const Slice& key) {
  uint64_t index = block_offset >> base_lg_;
  if (index < num_) {
    uint32_t start = DecodeFixed32(offset_ + index*4);
    uint32_t limit = DecodeFixed32(offset_ + index*4 + 4);
    if (start <= limit && limit <= static_cast<size_t>(offset_ - data_)) {
      Slice filter = Slice(data_ + start, limit - start);
      return policy_->KeyMayMatch(key, filter);//InternalFilterPolicy::KeyMayMatch 布隆过滤器
    } else if (start == limit) {
      // Empty filters do not match any keys
      return false;
    }
  }
  return true;  // Errors are treated as potential matches
}
这里就很明显是调用布隆过滤器进行查询匹配。那么上层业务是如何调到这里呢？

/**
 * 在table cache中查找k 
 * @param options 选项
 * @param k 待查找key
 * @param arg 回调函数参数
 * @param saver 回调函数
 */
Status Table::InternalGet(const ReadOptions& options, const Slice& k,
                          void* arg,
                          void (*saver)(void*, const Slice&, const Slice&)) {
  Status s;
  Iterator* iiter = rep_->index_block->NewIterator(rep_->options.comparator);//这里index_block类型是Block
  iiter->Seek(k);//查找 在索引块中查找 Block.cc
  if (iiter->Valid()) {
    Slice handle_value = iiter->value();
    FilterBlockReader* filter = rep_->filter;
    BlockHandle handle;
    /**
     * 如果存在过滤模块 则先在过滤模块中通过布隆过滤器进行确定 如果布隆过滤器不存在 那么文件中一定不存在
     * if 返回true表示不存在,if返回false表示可能存在 需要再次进行文件中查找即进入else中
     */
    if (filter != NULL &&
        handle.DecodeFrom(&handle_value).ok() &&
        !filter->KeyMayMatch(handle.offset(), k)) {
      // Not found
    } else {//在数据块中进行查找 iiter->value存储的是BlockHandle
      Iterator* block_iter = BlockReader(this, options, iiter->value());
      block_iter->Seek(k);
      if (block_iter->Valid()) {//表示找到
        (*saver)(arg, block_iter->key(), block_iter->value());
      }
      s = block_iter->status();
      delete block_iter;
    }
  }
  
  if (s.ok()) {
    s = iiter->status();
  }
  delete iiter;
  return s;
}
 四、总结
其实布隆过滤器思想比较简单，我们需要了解相关特性即可。
————————————————
版权声明：本文为CSDN博主「xxb249」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/xxb249/article/details/96430043