哈希拓展--布隆过滤器

一、问题概述

       布隆过滤器是由布隆提出来的，是由一个很长的二进制序列和一系列的映射函数组成。主要用于检测一个元素是否在一个集合中。当然在设计计算机软件时，我们也经常会判断一个元素是否在一个集合中。比如：在字处理软件中，需要检查一个英语单词是否拼写正确，（即是否在字典中），在网络爬虫里，这个网站是否被访问过。最直接的方法就是将元素都存入计算机中，遇到一个新元素时，将它和元素进行比较即可。一般是用哈希表存储的，因为它的查询速度快，就是比较浪费空间。集合小的时候存储效率还好，当集合大的时候，存储效率低的问题就显现出来了。再比如，对于一个像 Yahoo,Hotmail 和 Gmai 那样的公众电子邮件提供商，总是需要过滤来自发送垃圾邮件的人的垃圾邮件。这时，我们就得记录那些发垃圾邮件的Email地址，由于那些发送者不停地在注册新的地址，全世界少说也有几十亿个发垃圾邮件的地址，将他们都存起来则需要大量的网络服务器。如果用哈希表，每存储一亿个email地址，就需要1.6GB 的内存，因此存贮几十亿个邮件地址可能需要上百GB的内存。除非是超级计算机，一般服务器是无法存储的。所以在这里我们就引入了布隆过滤器来处理这些问题。

二、布隆过滤器的基本思想

       如果想判断一个元素是不是在一个集合里，一般想到的是将所有元素保存起来，然后通过比较确定。链表，树等等数据结构都是这种思路. 但是随着集合中元素的增加，我们需要的存储空间越来越大，检索速度也越来越慢。不过世界上还有一种叫作散列表（又叫哈希表，Hash table）的数据结构。它可以通过一个Hash函数将一个元素映射成一个位阵列（Bit Array）中的一个点。这样一来，我们只要看看这个点是不是1就知道可以集合中有没有它了。这就是布隆过滤器的基本思想。

       布隆过滤器是一种空间效率很高的数据结构。也可以看做是位图BitMap的扩展（位图链接）：

当一个元素加入集合中时，通过k个不同的哈希函数将这个元素映射成一个位数组的k个点，把它们置为1。当我们检测看一个元素存不存在时，只需要看那k个位是否为1就可以了。主要分为两点：

1、如果这k个位中，只要有一个位为0，就说明此元素不在集合中；

2、如果k个位都为1的话，表明此元素可能存在集合中。

第二点又体现了布隆过滤器的一个缺点：存在一定的误判率。但是为了尽可能的降低这种误判率，我们采用上述多个哈希函数检测的方式。经研究表明，可将误判率降低到万分之一以下。

同时，布隆过滤器的优点也是非常显著的。它的空间效率和查询时间都远远超过一般的算法。存储空间和插入/查询时间都是常数（O(k)）。

还有重要的一点是，一般情况下，布隆过滤器不支持删除操作，起初，有人会想到使用计数方式将位++或--来删除元素。但是由于布隆过滤器的误判，你可能会把错误的元素删除。（下节我们会分析到这类问题哦）

三、实现代码（vs2013）

//HashFunc.h

#pragma once
#include<string>
#include<iostream>
using namespace std;


    /// @brief BKDR Hash Function  
    /// @detail 本 算法由于在Brian Kernighan与Dennis Ritchie的《The C Programming Language》一书被展示而得 名，是一种简单快捷的hash算法，也是Java目前采用的字符串的Hash算法（累乘因子为31）。  
    template<class T>  
    size_t BKDRHash(const T *str)  
    {  
        register size_t hash = 0;  
        while (size_t ch = (size_t)*str++)  
        {         
            hash = hash * 131 + ch;   // 也可以乘以31、131、1313、13131、131313..  
            // 有人说将乘法分解为位运算及加减法可以提高效率，如将上式表达为：hash = hash << 7 + hash << 1 + hash + ch;  
            // 但其实在Intel平台上，CPU内部对二者的处理效率都是差不多的，  
            // 我分别进行了100亿次的上述两种运算，发现二者时间差距基本为0（如果是Debug版，分解成位运算后的耗时还要高1/3）；  
            // 在ARM这类RISC系统上没有测试过，由于ARM内部使用Booth's Algorithm来模拟32位整数乘法运算，它的效率与乘数有关：  
            // 当乘数8-31位都为1或0时，需要1个时钟周期  
            // 当乘数16-31位都为1或0时，需要2个时钟周期  
            // 当乘数24-31位都为1或0时，需要3个时钟周期  
            // 否则，需要4个时钟周期  
            // 因此，虽然我没有实际测试，但是我依然认为二者效率上差别不大          
        }  
        return hash;  
    }  
    /// @brief SDBM Hash Function  
    /// @detail 本算法是由于在开源项目SDBM（一种简单的数据库引擎）中被应用而得名，它与BKDRHash思想一致，只是种子不同而已。  
    template<class T>  
    size_t SDBMHash(const T *str)  
    {  
        register size_t hash = 0;  
        while (size_t ch = (size_t)*str++)  
        {  
            hash = 65599 * hash + ch;         
            //hash = (size_t)ch + (hash << 6) + (hash << 16) - hash;  
        }  
        return hash;  
    }  
    /// @brief RS Hash Function  
    /// @detail 因Robert Sedgwicks在其《Algorithms in C》一书中展示而得名。  
    template<class T>  
    size_t RSHash(const T *str)  
    {  
        register size_t hash = 0;  
        size_t magic = 63689;     
        while (size_t ch = (size_t)*str++)  
        {  
            hash = hash * magic + ch;  
            magic *= 378551;  
        }  
        return hash;  
    }  
    /// @brief AP Hash Function  
    /// @detail 由Arash Partow发明的一种hash算法。  
    template<class T>  
    size_t APHash(const T *str)  
    {  
        register size_t hash = 0;  
        size_t ch;  
        for (long i = 0; ch = (size_t)*str++; i++)  
        {  
            if ((i & 1) == 0)  
            {  
                hash ^= ((hash << 7) ^ ch ^ (hash >> 3));  
            }  
            else  
            {  
                hash ^= (~((hash << 11) ^ ch ^ (hash >> 5)));  
            }  
        }  
        return hash;  
    }  
    /// @brief JS Hash Function  
    /// 由Justin Sobel发明的一种hash算法。  
    template<class T>  
    size_t JSHash(const T *str)  
    {  
        if(!*str)        // 这是由本人添加，以保证空字符串返回哈希值0  
            return 0;  
        register size_t hash = 1315423911;  
        while (size_t ch = (size_t)*str++)  
        {  
            hash ^= ((hash << 5) + ch + (hash >> 2));  
        }  
        return hash;  
    }  
    /// @brief DEK Function  
    /// @detail 本算法是由于Donald E. Knuth在《Art Of Computer Programming Volume 3》中展示而得名。  
    template<class T>  
    size_t DEKHash(const T* str)  
    {  
        if(!*str)        // 这是由本人添加，以保证空字符串返回哈希值0  
            return 0;  
        register size_t hash = 1315423911;  
        while (size_t ch = (size_t)*str++)  
        {  
            hash = ((hash << 5) ^ (hash >> 27)) ^ ch;  
        }  
        return hash;  
    }  
    /// @brief FNV Hash Function  
    /// @detail Unix system系统中使用的一种著名hash算法，后来微软也在其hash_map中实现。  
    template<class T>  
    size_t FNVHash(const T* str)  
    {  
        if(!*str)   // 这是由本人添加，以保证空字符串返回哈希值0  
            return 0;  
        register size_t hash = 2166136261;  
        while (size_t ch = (size_t)*str++)  
        {  
            hash *= 16777619;  
            hash ^= ch;  
        }  
        return hash;  
    }  
    /// @brief DJB Hash Function  
    /// @detail 由Daniel J. Bernstein教授发明的一种hash算法。  
    template<class T>  
    size_t DJBHash(const T *str)  
    {  
        if(!*str)   // 这是由本人添加，以保证空字符串返回哈希值0  
            return 0;  
        register size_t hash = 5381;  
        while (size_t ch = (size_t)*str++)  
        {  
            hash += (hash << 5) + ch;  
        }  
        return hash;  
    }  
    /// @brief DJB Hash Function 2  
    /// @detail 由Daniel J. Bernstein 发明的另一种hash算法。  
    template<class T>  
    size_t DJB2Hash(const T *str)  
    {  
        if(!*str)   // 这是由本人添加，以保证空字符串返回哈希值0  
            return 0;  
        register size_t hash = 5381;  
        while (size_t ch = (size_t)*str++)  
        {  
            hash = hash * 33 ^ ch;  
        }  
        return hash;  
    }  
    /// @brief PJW Hash Function  
    /// @detail 本算法是基于AT&T贝尔实验室的Peter J. Weinberger的论文而发明的一种hash算法。  
    template<class T>  
    size_t PJWHash(const T *str)  
    {
        static const size_t TotalBits       = sizeof(size_t) * 8;  
        static const size_t ThreeQuarters   = (TotalBits  * 3) / 4;  
        static const size_t OneEighth       = TotalBits / 8;  
        static const size_t HighBits        = ((size_t)-1) << (TotalBits - OneEighth);      
          
        register size_t hash = 0;  
        size_t magic = 0;     
        while (size_t ch = (size_t)*str++)  
        {  
            hash = (hash << OneEighth) + ch;  
            if ((magic = hash & HighBits) != 0)  
            {  
                hash = ((hash ^ (magic >> ThreeQuarters)) & (~HighBits));  
            }  
        }  
        return hash;  
    }  
    /// @brief ELF Hash Function  
    /// @detail 由于在Unix的Extended Library Function被附带而得名的一种hash算法，它其实就是PJW Hash的变形。  
    template<class T>  
    size_t ELFHash(const T *str)  
    {  
        static const size_t TotalBits       = sizeof(size_t) * 8;  
        static const size_t ThreeQuarters   = (TotalBits  * 3) / 4;  
        static const size_t OneEighth       = TotalBits / 8;  
        static const size_t HighBits        = ((size_t)-1) << (TotalBits - OneEighth);      
        register size_t hash = 0;  
        size_t magic = 0;  
        while (size_t ch = (size_t)*str++)  
        {  
            hash = (hash << OneEighth) + ch;  
            if ((magic = hash & HighBits) != 0)  
            {  
                hash ^= (magic >> ThreeQuarters);  
                hash &= ~magic;  
            }         
        }  
        return hash;  
    }  

//BloomFilter.h

#pragma once
#include<string>
#include<iostream>
using namespace std;
#include"BitMap.h"
#include"HashFunc.h"
struct _HashFunc1
{
	size_t operator()(const string& s)
	{
		return BKDRHash(s.c_str());
	}
};

struct _HashFunc2
{
	size_t operator()(const string& s)
	{
		return SDBMHash(s.c_str());
	}
};

struct _HashFunc3
{
	size_t operator()(const string& s)
	{
		return RSHash(s.c_str());
	}
};

struct _HashFunc4
{
	size_t operator()(const string& s)
	{
		return APHash(s.c_str());
	}
};

struct _HashFunc5
{
	size_t operator()(const string& s)
	{
		return JSHash(s.c_str());
	}
};


template<class K = string,
class HashFunc1 = _HashFunc1,
class HashFunc2 = _HashFunc2,
class HashFunc3 = _HashFunc3,
class HashFunc4 = _HashFunc4,
class HashFunc5 = _HashFunc5
>
class BloomFilter
{
public:
	BloomFilter(size_t Num)
		:_bm(Num*5*2)
		,_size(Num*5*2)
	{}

	void BloomSet(const K& key)
	{
		size_t Hash1 = HashFunc1()(key)%_size;
		size_t Hash2 = HashFunc2()(key)%_size;
		size_t Hash3 = HashFunc3()(key)%_size;
		size_t Hash4 = HashFunc4()(key)%_size;
		size_t Hash5 = HashFunc5()(key)%_size;

		_bm.Set(Hash1);
		_bm.Set(Hash2);
		_bm.Set(Hash3);
		_bm.Set(Hash4);
		_bm.Set(Hash5);
	}

	bool Test(const K& key)
	{
		size_t Hash1 = HashFunc1()(key)%_size;
		if(_bm.Test(Hash1) == false)
		{
			return false;
		}
		size_t Hash2 = HashFunc2()(key)%_size;
		if(_bm.Test(Hash2) == false)
		{
			return false;
		}
		size_t Hash3 = HashFunc3()(key)%_size;
		if(_bm.Test(Hash3) == false)
		{
			return false;
		}
		size_t Hash4 = HashFunc4()(key)%_size;
		if(_bm.Test(Hash4) == false)
		{
			return false;
		}
		size_t Hash5 = HashFunc5()(key)%_size;
		if(_bm.Test(Hash5) == false)
		{
			return false;
		}
		return true;
	}
private:
	BitMap _bm;
	size_t _size;
};

void BloomFilterTest()
{
	BloomFilter<> bm(1024);
	bm.BloomSet("11111");
	bm.BloomSet("11110");
	bm.BloomSet("11112");
	bm.BloomSet("11113");

	cout<<bm.Test("11111")<<endl;
	cout<<bm.Test("11101")<<endl;
	cout<<bm.Test("11102")<<endl;
	cout<<bm.Test("11113")<<endl;


}

四、运行结果