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++