Hbase布隆过滤（Bloom Filters）

目录

Schema Design

Bloom Filters

什么时候使用

开启布隆过滤

配置Bloom过滤器的服务器范围

Reading from HBase

Bloom Filters

Bloom StoreFile封装

Bloom StoreFile配置

2版本中的 Bloom filters

使用小结

---

Schema Design

Bloom Filters

它是一种数据结构，用于预测给定元素是否是一组数据的成员。从Bloom filter得到的正结果并不总是准确的，但是负结果保证是准确的。Bloom过滤器被设计为对数据集“足够精确”，因为数据集太大，传统的哈希机制是不切实际的。

就HBase而言，Bloom过滤器提供了一种轻量级的内存结构，用于减少给定Get操作(Bloom过滤器不能用于扫描)的磁盘读取次数，只读取可能包含所需行的存储文件。潜在的性能增益随着并行读取的数量增加而增加。

Bloom 过滤器本身存储在每个 HFile 的元数据中，不需要更新。当一个 HFile 因为一个区域被部署到一个 RegionServer 而被打开时，Bloom 过滤器被加载到内存中。

HBase 包含一些调整机制，用于折叠 Bloom 过滤器以减小大小并将假阳性率保持在期望的范围内。

Bloom 过滤器是在 HBASE-1200 中引入的。从 HBase 0.96，默认情况下启用了基于行的 Bloom 过滤器。

什么时候使用

HBase 0.96，默认情况下启用了基于行的 Bloom 过滤器。您可以选择禁用它们或更改一些表来使用 row+column Bloom 过滤器，这取决于数据的特征以及如何将其加载到 HBase 中。

要确定 Bloom 过滤器是否有用，请检查 RegionServer 指标中的 blockCacheHitRatio 值。如果启用了 Bloom 过滤器，则 blockCacheHitRatio 的值应该会增加，因为 Bloom 过滤器正在过滤掉绝对不需要的数据块。

你可以选择基于 row 或 row+column 组合来启用布隆过滤。如果 scan rows，则 row+column 组合不会提供任何高性能。基于行的 Bloom 过滤器可以对 row+column Get 进行操作，但反过来不行。但是，如果有大量的列级put，比如每个 StoreFile 中都可能有一行，那么基于行的过滤器将始终返回一个正结果，并且没有任何好处。除非每行有一个列，否则row+column Bloom过滤器需要更多空间，以便存储更多键。当每个数据条目的大小至少为几kb时，Bloom 过滤器的性能是最好的。

数据存储在几个较大的存储文件中时，开销将会减少，以避免在低级扫描期间查找特定行的额外磁盘IO。

注意：Bloom过滤器需要在删除时重新构建，因此可能不适用于存在大量删除的环境。

开启布隆过滤

在列族上启用布隆过滤器。可以通过使用 HColumnDescriptor 的 setBloomFilterType 方法或使用 HBase API 来实现这一点。有效值为 NONE、ROW(默认值) 或 ROWCOL。

下面的示例创建一个表，并在colfam1列族上启用ROWCOL Bloom过滤器。

hbase> create 'mytable',{NAME => 'colfam1', BLOOMFILTER => 'ROWCOL'}

配置Bloom过滤器的服务器范围

你可以在 hbase-site.xml 文件中配置以下：

参数	默认值	描述
io.storefile.bloom.enabled	yes	设置为no以在服务器范围内杀死 Bloom 过滤器
io.storefile.bloom.error.rate	.01	Bloom 过滤器的平均假阳性率。折叠是用来维持假阳性率。用百分数的十进制表示。
io.storefile.bloom.max.fold	7	保证最大折叠率。不需要更改此设置，也不建议更改。
io.storefile.bloom.max.keys	128000000	对于默认的(单块) Bloom 过滤器，它指定键的最大数目。
io.storefile.delete.family.bloom.enabled	true	主开关，以启用删除布隆过滤器族和存储在存储文件。
io.storefile.bloom.block.size	131072	目标 Bloom 块大小。大约这个大小的Bloom过滤器块与数据块交错。
hfile.block.bloom.cacheonwrite	false	为复合 Bloom 过滤器的内联块启用写时缓存。

Reading from HBase

Bloom Filters

启用 Bloom 过滤器可以节省到磁盘的时间，并有助于改善读取延迟。

Bloom 过滤器是在 HBase-1200 中开发的。这里描述的 Bloom 过滤器实际上是HBase中的版本2。HBase bloom 工作的核心后来被转移到 Hadoop 中，以实现 org.apache.hadoop.io.BloomMapFile。版本1中的 Hbase Bloom 并没有那么好用，版本2中对其重写。

Bloom StoreFile封装

Bloom 过滤器向 StoreFile general FileInfo 数据结构中添加一个条目，然后向 StoreFile 元数据部分添加两个额外的条目。

StoreFile``FileInfo数据结构中的BloomFilter

FileInfo 中的 BLOOM_FILTER_TYPE 可以设置为 NONE，ROW，ROWCOL

StoreFile元数据中的BloomFilter

BLOOM_FILTER_META 包含 Bloom 的大小、使用的哈希函数等等，它占用空间很小，缓存在 StoreFile.Reader

BLOOM_FILTER_DATA 包含 BloomFiler 的数据，按需获取。存储在LRU缓存，如果它是启用的（它是默认启用的）。

Bloom StoreFile配置

见上，表格：↑↑↑↑

2版本中的 Bloom filters

与版本1不同的是，在版本2中，Bloom filter 元数据存储在 HFile 的 load-on-open 部分，用于快速启动。

1. 复合 Bloom filter
2. Bloom filter version = 3 （int）。以前有一个 DynamicByteBloomFilter 类，它的 Bloom 过滤器版本号为2
3. 所有复合 Bloom filter 块的总字节大小（long）
4. 哈希函数的数量（int）
5. 哈希函数的类型（int）
6. 插入到 Bloom 过滤器中的 key 总数（long）
7. Bloom 过滤器中键的最大总数（long）
8. 块的数量（int）
9. Comparator 类用于 Bloom 过滤器的 key，UTF-8 编码串使用 Bytes.writeByteArray 存储
10. 版本2中的 Bloom 的块索引

使用小结

使用方法：

create 'table',{BLOOMFILTER =>'ROW'}

HColumnDescriptor.setBloomFilterType(NONE | ROW | ROWCOL)