一文搞懂“布隆过滤器“原理（附Java代码实战）

引言

最近在学习隐私计算时了解到布谷鸟过滤器的概念（后面会专门写篇博客介绍），自然也就联系到了本文的主角—布隆过滤器。关于布隆过滤器的名号我很久之前就听说过了，但是一直没有深入了解，今天就系统性学习一下并通过这篇博客记录下来。废话不多说，开始吧！
布隆过滤器（Bloom Filter）是1970年由布隆（虽然我搜遍全网也没找到老先生的照片）提出的。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。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比一般的算法要好的多，缺点是有一定的误识别率和删除困难。
布隆过滤器，在合理的使用场景中具有四两拨千斤的作用，由于使用场景是在大量数据的场景下，所以这东西类似于秒杀，虽然没有真的落地用过，但是也要说的头头是道。
常见于面试环节：比如大集合中重复数据的判断、缓存穿透问题等。

布隆过滤器的原理

首先，布隆过滤器作为一个"过滤器"而不是数据库，它并不存储数据本身，而是告诉我们某个元素是否存在而已。
当然也许有人会说，我们使用传统的数据库MySQL也能告诉我们某个元素是否存在，SELECT查一下就好了啊，但数据库需要存储所有的数据元素，成本又高效率又低。
而我们的布隆过滤器只需要一个比特bit数组和三个哈希函数，这自然就会让我们的空间效率和查询时间都优于一般的算法。
对于布隆过滤器，有一个重中之重的概念：
布隆过滤器说存在的元素，真实不一定存在；而布隆过滤器说不存在的，真实一定不存在。
下面来看一下布隆过滤器的数据结构，其实很简单：

如上图所示，一共有三个hash算法，以及一个带有初始长度 m 的数组，数组的各位上存放的是bit，要么0要么1，默认全为0。在这种情况下，就算我们申请一个 m=100万的数组，其占用空间也就 1000000bit/8/1024 ≈ 122KB。

增加元素

当我们要将一个元素插入到布隆过滤器时，会执行如下操作：

• 各个hash函数对元素进行计算求得hash值（此hash值被限定在数组长度m以内）；
• 将数组对应位置的bit置为 1；

下图形象展示了这个过程：

这样，如果再来一个元素"半岛铁盒"，那么三个hash函数算到的还是下标为2、11、14三个同样的位置。
我们再模拟插入一个元素：

此时我们插入元素"bitcoin"，经过hash计算得到的三个数组下标为1、11、13，我们会发现，对于"半岛铁盒"和"bitcoin"，在hash2上计算结果都是11，也就是说有两个元素指向了下标11，也就是常说的哈希碰撞。
OK，此时我们的比特数组是这样的：

只看这个数组，我们能直接在里面找到元素"半岛铁盒"和"bitcoin"吗？
很显然不能，所以接下来就要讲布隆过滤器的查询。

查询元素

我们应该怎么知道元素"bitcoin"有没有经过此布隆过滤器呢？
很简单，对于要查询的元素"bitcoin"，只需要用三个hash函数计算它的hash：

hash1(“bitcoin”) = 1
hash2(“bitcoin”) = 11
hash3(“bitcoin”) = 13

接下来我们去下标1、11、13找，如果对应的比特值全为1，就说明元素"bitcoin"有可能来过。注意，这里是有可能，因为我们之前说过：布隆过滤器说存在的元素，真实不一定存在。
比如对于元素"可口可乐"，假设我们通过hash函数算出来的三个hash值为：2、13、14。观察数组，我们会发现这三个下标处的比特位是1，那么我们就说，元素"可口可乐"是可能存在的。然而我们知道，在之前我们并没有插入过这个元素，这就说明布隆过滤器是存在一定的误报率的。
产生误报率的原因就显而易见了，我们的hash函数会发生碰撞：

• case 1：元素"可口可乐"和元素"德芙巧克力"经过三个hash函数，得到的运算结果是一样的；
• case 2：元素"可口可乐"运算后得到的三个下标上的比特位，已经被之前的多个元素在"共同努力"下全部覆盖到并设置为1了。

而对于我们之前说过的后半句：布隆过滤器说不存在的，真实一定不存在。大家想必也能想清楚了，举个例子：对于元素"拿铁咖啡"，假设我们经hash计算后得到的三个值为：1、2、6，哪怕其中的1、2处的比特为1，但是在index=6处的比特位是0，那么我们就可以笃定"拿铁咖啡"一定没有经过布隆过滤器。
这里给出一个网站，可以直接上手玩一下布隆过滤器。

删除元素

布隆过滤器对元素的删除，肯定不可以，会出现问题，比如上面添加元素的 bit 位 11被两个变量的哈希值共同覆盖的情况下，一旦我们删除其中一个值。例如“半岛铁盒”而将其置位 0，那么下次判断另一个值例如“bitcoin”是否存在的话，会直接返回 false，而实际上我们并没有删除它，这就导致了误判的问题。

优缺点分析

布隆过滤器的优点：

• 支持海量数据场景下高效判断元素是否存在；
• 布隆过滤器存储空间小，并且节省空间，不存储数据本身，仅存储hash结果取模运算后的位标记；
• 不存储数据本身，比较适合某些保密场景；

缺点：

• 不存储数据本身，所以只能添加但不可删除，因为删掉元素会导致误判率增加；
• 由于存在hash碰撞，匹配结果如果是“存在于过滤器中”，实际不一定存在；
• 当容量快满时，hash碰撞的概率变大，插入、查询的错误率也就随之增加了；

应用场景

下面给出了一些布隆过滤器的应用场景：

• 区块链中使用布隆过滤器来加快钱包同步；以太坊使用布隆过滤器用于快速查询以太坊区块链的日志
• 数据库防止穿库，Google Bigtable，HBase 和 Cassandra 以及 Postgresql 使用BloomFilter来减少不存在的行或列的磁盘查找。避免代价高昂的磁盘查找会大大提高数据库查询操作的性能
• 判断用户是否阅读过某一个视频或者文章，类似抖音，刷过的视频往下滑动不再刷到，可能会导致一定的误判，但不会让用户看到重复的内容
• 网页爬虫对URL去重，采用布隆过滤器来对已经爬取过的URL进行存储，这样在进行下一次爬取的时候就可以判断出这个URL是否爬取过了
• 使用布隆过滤器来做黑名单过滤，针对不同的用户是否存入白名单或者黑名单，虽然有一定的误判，但是在一定程度上还是很好的解决问题
• 缓存击穿场景，一般判断用户是否在缓存中，如果存在则直接返回结果，不存在则查询数据库，如果来一波冷数据，会导致缓存大量击穿，造成雪崩效应，这时候可以用布隆过滤器当缓存的索引，只有在布隆过滤器中，才去查询缓存，如果没查询到则穿透到数据库查询。如果不在布隆过滤器中，则直接返回，会造成一定程度的误判
• WEB拦截器，如果相同请求则拦截，防止重复被攻击。用户第一次请求，将请求参数放入布隆过滤器中，当第二次请求时，先判断请求参数是否被布隆过滤器命中。可以提高缓存命中率。Squid 网页代理缓存服务器在 cache digests 中就使用了布隆过滤器。Google Chrome浏览器使用了布隆过滤器加速安全浏览服务

没有想到布隆过滤器的应用这么广泛吧，在场景容忍误判的情况下，布隆过滤器是大有可为的。

布隆过滤器的实现

Guava实现

Guava是google开源的工具包，含有这些常用的模块：集合 [collections] 、缓存 [caching] 、原生类型支持 [primitives support] 、并发库 [concurrency libraries] 、通用注解 [common annotations] 、字符串处理 [string processing] 、I/O 等。在github上有39.9k的stars，可见其受欢迎程度。
下面我们来看个Guava自带的布隆过滤器的实战demo：

public class MyTest {

    private static int size = 100000; // 预期数据量
    private static double fpp = 0.01; // 期望的误报率

    private static BloomFilter<Integer> bloomFilter =
            BloomFilter.create(Funnels.integerFunnel(),size,fpp);

    public static void main(String[] args) {

        for (int i = 0; i < 100000; i++) {
            bloomFilter.put(i);
        }

        long start = System.nanoTime();
        int count = 0;
        for (int i = size; i < size+100000; i++) {
            if(bloomFilter.mightContain(i)){
                count++;
                System.out.println(i+"被误报了");
            }
        }

        System.out.println("总耗时："+(System.nanoTime()-start)/1_000_000+" ms");
        System.out.println("总误报率次数"+count);
        System.out.println("总误报率："+count*100/100000+"%");
    }

}

output：

...
...
...
199172被误报了
199240被误报了
199243被误报了
199273被误报了
199336被误报了
199700被误报了
199919被误报了
总耗时：23 ms
总误报率次数1018
总误报率：1%

多试几次，我们可以发现误报率是符合我们最开始设定的预期fpp的。
那么期望误报率fpp是不是越小越好呢？
显然不是的，越小的fpp需要的存储空间越大，需要的哈希函数也越多。

自己实现

public class BloomFilter {
    // 位数组，用于存储布隆过滤器的状态
    private BitSet bitSet;
    // 位数组的长度
    private int bitSetSize;
    private int expectedNumberOfElements;
    // hash函数数量
    private int hashFunctions;
    private Random random = new Random();

    //public BloomFilter(){}

    public BloomFilter(int bitSetSize,int expectedNumberOfElements) {
        this.bitSetSize = bitSetSize;
        this.expectedNumberOfElements = expectedNumberOfElements;
        this.hashFunctions = (int) Math.round(Math.log(2.0) * bitSetSize / expectedNumberOfElements);
        this.bitSet = new BitSet(bitSetSize);
    }

    public void add(Object element){
        for (int i = 0; i < hashFunctions; i++) {
            long hash = calcHash(element.toString(),i);
            int index = getIndex(hash);
            bitSet.set(index,true);
        }
    }

    public boolean mightContains(Object element){
        for (int i = 0; i < hashFunctions; i++) {
            long hash = calcHash(element.toString(),i);
            int index = getIndex(hash);
            if(!bitSet.get(index)){
                return false;
            }
        }
        return true;
    }

    private int getIndex(long hash) {
        return Math.abs((int)(hash%bitSetSize));
    }

    private long calcHash(String element, int seed) {
        random.setSeed(seed);

        byte[] bytes = element.getBytes();
        long hash = 0x7f52bed27117b5efL;
        for(byte b:bytes){
            hash^=random.nextInt();
            hash*=0xcbf29ce484222325L;
            hash^=b;
        }
        return hash;
    }
}