前言
我们之前讲了Redis的缓存雪崩、穿透、击穿。在文章里我们说了解决缓存穿透的办法之一,就是布隆过滤器,但是上次并没有讲如何使用布隆过滤器。
作为暖男的老哥,给你们补上,请叫我IT老暖男。
什么是布隆过滤器
布隆过滤器(Bloom Filter),是1970年,由一个叫布隆的小伙子提出的,距今已经五十年了,和老哥一样老。
它实际上是一个很长的二进制向量和一系列随机映射函数,二进制大家应该都清楚,存储的数据不是0就是1,默认是0。
主要用于判断一个元素是否在一个集合中,0代表不存在某个数据,1代表存在某个数据。
懂了吗?作为暖男的老哥在给你们画张图来帮助理解:
布隆过滤器用途解决Redis缓存穿透(今天重点讲解)
在爬虫时,对爬虫网址进行过滤,已经存在布隆中的网址,不在爬取。
垃圾邮件过滤,对每一个发送邮件的地址进行判断是否在布隆的黑名单中,如果在就判断为垃圾邮件。
以上只是简单的用途举例,大家可以举一反三,灵活运用在工作中。
布隆过滤器原理
存入过程
布隆过滤器上面说了,就是一个二进制数据的集合。当一个数据加入这个集合时,经历如下洗礼(这里有缺点,下面会讲):通过K个哈希函数计算该数据,返回K个计算出的hash值
这些K个hash值映射到对应的K个二进制的数组下标
将K个下标对应的二进制数据改成1。
例如,第一个哈希函数返回x,第二个第三个哈希函数返回y与z,那么: X、Y、Z对应的二进制改成1。
如图所示:
查询过程
布隆过滤器主要作用就是查询一个数据,在不在这个二进制的集合中,查询过程如下:通过K个哈希函数计算该数据,对应计算出的K个hash值
通过hash值找到对应的二进制的数组下标
判断:如果存在一处位置的二进制数据是0,那么该数据不存在。如果都是1,该数据存在集合中。(这里有缺点,下面会讲)
删除过程
一般不能删除布隆过滤器里的数据,这是一个缺点之一,我们下面会分析。
布隆过滤器的优缺点
优点由于存储的是二进制数据,所以占用的空间很小
它的插入和查询速度是非常快的,时间复杂度是O(K),可以联想一下HashMap的过程
保密性很好,因为本身不存储任何原始数据,只有二进制数据
缺点
这就要回到我们上面所说的那些缺点了。
添加数据是通过计算数据的hash值,那么很有可能存在这种情况:两个不同的数据计算得到相同的hash值。
例如图中的“你好”和“hello”,假如最终算出hash值相同,那么他们会将同一个下标的二进制数据改为1。
这个时候,你就不知道下标为2的二进制,到底是代表“你好”还是“hello”。
由此得出如下缺点:
一、存在误判
假如上面的图没有存"hello",只存了"你好",那么用"hello"来查询的时候,会判断"hello"存在集合中。
因为“你好”和“hello”的hash值是相同的,通过相同的hash值,找到的二进制数据也是一样的,都是1。
二、删除困难
到这里我不说大家应该也明白为什么吧,作为你们的暖男老哥,还是讲一下吧。
还是用上面的举例,因为“你好”和“hello”的hash值相同,对应的数组下标也是一样的。
这时候老哥想去删除“你好”,将下标为2里的二进制数据,由1改成了0。
那么我们是不是连“hello”都一起删了呀。(0代表有这个数据,1代表没有这个数据)
到这里是不是对布隆过滤器已经明白了,都说了我是暖男。
实现布隆过滤器
有很多种实现方式,其中一种就是Guava提供的实现方式。
一、引入Guava pom配置
com.google.guava
guava
29.0-jre
复制代码
二、代码实现
这里我们顺便测一下它的误判率。import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
public class BloomFilterCase {
/**
* 预计要插入多少数据
*/
private static int size = 1000000;
/**
* 期望的误判率
*/
private static double fpp = 0.01;
/**
* 布隆过滤器
*/
private static BloomFilter bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size, fpp);
public static void main(String[] args) {
// 插入10万样本数据
for (int i = 0; i
bloomFilter.put(i);
}
// 用另外十万测试数据,测试误判率
int count = 0;
for (int i = size; i
if (bloomFilter.mightContain(i)) {
count++;
System.out.println(i + "误判了");
}
}
System.out.println("总共的误判数:" + count);
}
}
复制代码
运行结果:
10万数据里有947个误判,约等于0.01%,也就是我们代码里设置的误判率:fpp = 0.01。
深入分析代码
核心BloomFilter.create方法@VisibleForTesting
static BloomFilter create(
Funnel super T> funnel, long expectedInsertions, double fpp, Strategy strategy) {
。。。。
}
复制代码
这里有四个参数:funnel:数据类型(一般是调用Funnels工具类中的)
expectedInsertions:期望插入的值的个数
fpp:误判率(默认值为0.03)
strategy:哈希算法
我们重点讲一下fpp参数
fpp误判率
情景一:fpp = 0.01误判个数:947
占内存大小:9585058位数
情景二:fpp = 0.03(默认参数)误判个数:3033
占内存大小:7298440位数
情景总结误判率可以通过fpp参数进行调节
fpp越小,需要的内存空间就越大:0.01需要900多万位数,0.03需要700多万位数。
fpp越小,集合添加数据时,就需要更多的hash函数运算更多的hash值,去存储到对应的数组下标里。(忘了去看上面的布隆过滤存入数据的过程)
上面的numBits,表示存一百万个int类型数字,需要的位数为7298440,700多万位。理论上存一百万个数,一个int是4字节32位,需要481000000=3200万位。如果使用HashMap去存,按HashMap50%的存储效率,需要6400万位。可以看出BloomFilter的存储空间很小,只有HashMap的1/10左右
上面的numHashFunctions表示需要几个hash函数运算,去映射不同的下标存这些数字是否存在(0 or 1)。