![013d05f7b9ddae21ca552a5267944b09.png](https://i-blog.csdnimg.cn/blog_migrate/43cc0817a673d1d8f11250c80e5028ef.jpeg)
算法题目
如果一个黑名单网站包含100亿个黑名单网页,每个网页最多占64B,设计一个系统,判断当前的URL是否在这个黑名单当中,要求额外空间不超过30GB,允许误差率为万分之一。
解题思路:布隆过滤器
基础介绍
布隆过滤器(Bloom Filter)是1970年由布隆提出的。它实际上是一个很长的二进制向量(位图)和一系列随机映射函数(哈希函数)。
布隆过滤器可以用于检索一个元素是否在一个集合中。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。
实际工程的应用
实际上,布隆过滤器广泛应用于网页黑名单系统、垃圾邮件过滤系统、爬虫网址判重系统等,有人会想,我直接将网页URL存入数据库进行查找不就好了,或者建立一个哈希表进行查找不就OK了。
当数据量小的时候,这么思考是对的,但如果整个网页黑名单系统包含100亿个网页URL,在数据库查找是很费时的,并且如果每个URL空间为64B,那么需要内存为640GB,一般的服务器很难达到这个需求。
那么,在这种内存不够且检索速度慢的情况下,不妨考虑下布隆过滤器,但业务上要可以忍受判断失误率。
![3bd4ffe4748a498e030f8dc2bddafb51.png](https://i-blog.csdnimg.cn/blog_migrate/3ae66992dd37d7bb939aa4597f69e00c.jpeg)
位图(bitmap)
布隆过滤器其中重要的实现就是位图的实现,也就是位数组,并且在这个数组中每一个位置只占有1个bit,而每个bit只有0和1两种状态。如上图bitarray所示!bitarray也叫bitmap,大小也就是布隆过滤器的大小。
假设一种有k个哈希函数,且每个哈希函数的输出范围都大于m,接着将输出值对k取余(%m),就会得到k个[0, m-1]的值,由于每个哈希函数之间相互独立,因此这k个数也相互独立,最后将这k个数对应到bitarray上并标记为1(涂黑)。
等判断时,将输入对象经过这k个哈希函数计算得到k个值,然后判断对应bitarray的k个位置是否都为1(是否标黑),如果有一个不为黑,那么这个输入对象则不在这个集合中,也就不是黑名单了!如果都是黑,那说明在集合中,但有可能会误,由于当输入对象过多,而集合也就是bitarray过小,则会出现大部分为黑的情况,那样就容易发生误判!因此使用布隆过滤器是需要容忍错误率的,即使很低很低!
布隆过滤器重要参数计算
通过上面的描述,我们可以知道,如果输入量过大,而bitarray空间的大小又很小,那么误判率就会上升。那么bitarray空间大小怎么确定呢?不要慌,已经有人通过数据推倒出公式了!!!哈哈,直接用~
假设输入对象个数为n,bitarray大小(也就是布隆过滤器大小)为m,所容忍的误判率p和哈希函数的个数k。计算公式如下:(小数向上取整)
![8933510fa28a390d6977ae9471a0cb8d.png](https://i-blog.csdnimg.cn/blog_migrate/2affccdba322e090372da0949cdbb865.jpeg)
注意:由于我们计算的m和k可能是小数,那么需要经过向上取整,此时需要重新计算误判率p!
假设一个网页黑名单有URL为100亿,每个样本为64B,失误率为0.01%,经过上述公式计算后,需要布隆过滤器大小为25GB,这远远小于使用哈希表的640GB的空间。
并且由于是通过hash进行查找的,所以基本都可以在O(1)的时间完成!
布隆过滤器的测试
测试用例来自GitHub的CPP版的布隆过滤器!
GitHub地址:https://github.com/ArashPartow/bloom
![e2b7e0d7bc6aa85d672e9f05c4bd02d9.png](https://i-blog.csdnimg.cn/blog_migrate/69fcec85c4b08d46fea84b8214e4aee0.jpeg)
我们关心的主要是Queries列和FPQ列,可以看出,输入对象为1万多个时也会出现错误的访问,当然概率极低的,那么如果我们一直增加Queries的次数,其误判率是怎么样的!
![09cfddf9a52a47c1a1425d05ae4e8ac0.png](https://i-blog.csdnimg.cn/blog_migrate/c5c73c29d6a1a0d3082949295384ae68.jpeg)
我们可以看到一共测试到了1715万次输入,而平均的误判率为0.00023738,充分说明了布隆过滤器的有效性。如果想要了解底层的话,可以去看看源码学习学习!
如果想要看更多精彩内容,请关注我的个人公众号 (算法工程师之路)希望大家多多支持哦~
公众号简介:分享算法工程师必备技能,谈谈那些有深度有意思的算法,主要范围:C++数据结构与算法/深度学习(CV),立志成为Offer收割机!坚持分享算法题目和解题思路(Day By Day)
![48df1ce909ef9a5403ef8be3af471262.png](https://i-blog.csdnimg.cn/blog_migrate/d5dc53350456f07b7bae0eb8b1db530d.jpeg)