大数据算法系列——布隆过滤器

一、简介

Bloom filter介绍

Bloom Filter(BF)是一种空间效率很高的随机数据结构,它利用位数组很简洁地表示一个集合,并能判断一个元素是否属于这个集合。它是一个判断元素是否存在集合的快速的概率算法。Bloom Filter有可能会出现错误判断,但不会漏掉判断。因此,Bloom Filter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下,Bloom Filter比其他常见的算法(如hash,折半查找)极大节省了空间。它的优点是空间效率和查询时间都远远超过一般的算法,缺点是有一定的误识别率和删除困难。

二、算法思想

Bloom-Filter算法的核心思想就是利用多个不同的Hash函数来解决“冲突”。
计算某元素x是否在一个集合中,首先能想到的方法就是将所有的已知元素保存起来构成一个集合R,然后用元素x跟这些R中的元素一一比较来判断是否存在于集合R中;我们可以采用链表等数据结构来实现。但是,随着集合R中元素的增加,其占用的内存将越来越大。试想,如果有几千万个不同网页需要下载,所需的内存将足以占用掉整个进程的内存地址空间。即使用MD5,UUID这些方法将URL转成固定的短小的字符串,内存占用也是相当巨大的。
于是,我们会想到用Hash table的数据结构,运用一个足够好的Hash函数将一个URL映射到二进制位数组(位图数组)中的某一位。如果该位已经被置为1,那么表示该URL已经存在。
但是Hash存在一个冲突(碰撞)的问题,用同一个Hash得到的两个URL的值有可能相同。为了减少冲突,我们可以多引入几个Hash,如果通过其中的一个Hash值我们得出某元素不在集合中,那么该元素肯定不在集合中。只有在所有的Hash函数告诉我们该元素在集合中时,才能确定该元素存在于集合中。这便是Bloom-Filter的基本思想。

三、过程

工具:一个位数组、K个独立hash函数

1)位数组:
假设Bloom Filter使用一个m比特的数组来保存信息,初始状态时,Bloom Filter是一个包含m位的位数组,每一位都置为0,即BF整个数组的元素都设置为0。

0 0 0 0 0 0 0 0 0 0 0 0

2)添加元素,k个独立hash函数

为了表达S={x1, x2,…,xn}这样一个n个元素的集合,Bloom Filter使用k个相互独立的哈希函数(Hash Function),它们分别将集合中的每个元素映射到{1,…,m}的范围中。

当我们往Bloom Filter中增加任意一个元素x时候,我们使用k个哈希函数得到k个哈希值(可以对应数组下标),然后将数组中对应的比特位设置为1。即第i个哈希函数映射的位置hashi(x)就会被置为1(1≤i≤k)。

注意,如果一个位置多次被置为1,那么只有第一次会起作用,后面几次将没有任何效果。在下图中,k=3,且有两个哈希函数选中同一个位置(从左边数第五位,即第二个“1“处)。

3)判断元素是否存在集合

在判断y是否属于这个集合时,我们只需要对y使用k个哈希函数得到k个哈希值,如果所有hashi(y)的位置都是1(1≤i≤k),即k个位置都被设置为1了,那么我们就认为y是集合中的元素,否则就认为y不是集合中的元素。下图中y1就不是集合中的元素(因为y1有一处指向了“0”位)。y2或者属于这个集合,或者刚好是一个false positive。

很显然这个判断并不能保证查找的结果是100%正确的。

四、数学理论

参数:

m:bit数组的宽度(bit数)

n:加入其中的key的数量

k:使用的hash函数的个数

f:false positive的比率

则BF满足下面的数学公式:

在给定m和n时,能够使f最小化的k值为:

此时给出的f为:

根据上述的理论可以推出:

a、对于给定的f,则有:n = m ln(0.6185) / ln(f)

b、同时需要用k个hash函数来实现目标:k = - ln(f) / ln(2)

c、k必须取整,那么需要f = (1 – e-kn/m)k 求实际值

五、缺陷

1)Bloom Filter无法从Bloom Filter集合中删除一个元素。因为该元素对应的位会牵动到其他的元素。所以一个简单的改进就是 counting Bloom filter,用一个counter数组代替位数组,就可以支持删除了。 此外,Bloom Filter的hash函数选择会影响算法的效果。

2)还有一个比较重要的问题,如何根据输入元素个数n,确定位数组m的大小及hash函数个数,即hash函数选择会影响算法的效果。当hash函数个数k=(ln2)*(m/n)时错误率最小。在错误率不大于E的情况 下,m至少要等于n*lg(1/E) 才能表示任意n个元素的集合。但m还应该更大些,因为还要保证bit数组里至少一半为0,则m应 该>=nlg(1/E)*lge ,大概就是nlg(1/E)1.44倍(lg表示以2为底的对数)。
举个例子我们假设错误率为0.01,则此时m应大概是n的13倍。这样k大概是8个。(PS:这里m与n的单位不同,m是bit为单位,而n则是以元素个数为单位(准确的说是不同元素的个数)。通常单个元素的长度都是有很多bit的。所以使用bloom filter内存上通常都是节省的。 )

一般BF可以与一些key-value的数据库(如redis)一起使用,来加快查询。由于BF所用的空间非常小,所有BF可以常驻内存。这样子的话,对于大部分不存在的元素,我们只需要访问内存中的BF就可以判断出来了,只有一小部分,我们需要访问在硬盘上的key-value数据库。从而大大地提高了效率。

六、应用

1、垃圾邮件过滤

像网易、腾讯等公众电子邮件(email)提供商,总是需要过滤来自发送垃圾邮件的人(spamer)的垃圾邮件。一个办法就是记录下那些发垃圾邮件的 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送垃圾邮件的地址,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(用哈希表实现的具体办法是将每一个 email地址对应成一个八字节的信息指纹,然后将这些信息指纹存入哈希表,由于哈希表的存储效率一般只有 50%,因此一个 email地址需要占用十六个字节。一亿个地址大约要 1.6GB,即十六亿字节的内存)。因此存贮几十亿个邮件地址可能需要上百GB的内存。而Bloom Filter只需要哈希表 1/8到 1/4 的大小就能解决同样的问题。BloomFilter决不会漏掉任何一个在黑名单中的可疑地址。而至于误判问题,常见的补救办法是在建立一个小的白名单,存储那些可能别误判的邮件地址

2、网络应用

1)P2P网络中查找资源操作,可以对每条网络通路保存Bloom Filter,当命中时,则选择该通路访问。

2)广播消息时,可以检测某个IP是否已发包。

3)检测广播消息包的环路,将Bloom Filter保存在包里,每个节点将自己添加入Bloom Filter。

4)信息队列管理,使用Counter Bloom Filter管理信息流量。

3、Hbase底层

Hbase也使用了Bloom Filter,以减少不存在的行或列在磁盘上的查询,大大提高了数据库的查询操作的性能。

七、java实现

package fuyunnet.com;
import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.ArrayList;
import java.util.BitSet;
import java.util.List;
public class Bloomfilter {private BitSet bitSet;private int bitSetSize;private int addedElements;private int hashFunctionNumber;/*** 构造一个布隆过滤器,过滤器的容量为c * n 个bit.* @param c 当前过滤器预先开辟的最大包含记录,通常要比预计存入的记录多一倍.* @param n 当前过滤器预计所要包含的记录.* @param k 哈希函数的个数,等同每条记录要占用的bit数.*/public Bloomfilter(int c, int n, int k) {this.hashFunctionNumber = k;this.bitSetSize = (int) Math.ceil(c * k);this.addedElements = n;this.bitSet = new BitSet(this.bitSetSize);}/*** 通过文件初始化过滤器.* @param file*/public void init(String file) {BufferedReader reader = null;try {reader = new BufferedReader(new FileReader(file));String line = reader.readLine();while (line != null && line.length() > 0) {this.put(line);line = reader.readLine();}} catch (Exception e) {e.printStackTrace();} finally {try {if (reader != null) reader.close();} catch (IOException e) {e.printStackTrace();}}}public void put(String str) {int[] positions = createHashes(str.getBytes(), hashFunctionNumber);for (int i = 0; i < positions.length; i++) {int position = Math.abs(positions[i] % bitSetSize);bitSet.set(position, true);}}public boolean contains(String str) {byte[] bytes = str.getBytes();int[] positions = createHashes(bytes, hashFunctionNumber);for (int i : positions) {int position = Math.abs(i % bitSetSize);if (!bitSet.get(position)) {return false;}}return true;}/*** 得到当前过滤器的错误率.* @return*/public double getFalsePositiveProbability() {// (1 - e^(-k * n / m)) ^ kreturn Math.pow((1 - Math.exp(-hashFunctionNumber * (double) addedElements / bitSetSize)),hashFunctionNumber);}/*** 将字符串的字节表示进行多哈希编码.* @param bytes 待添加进过滤器的字符串字节表示.* @param hashNumber 要经过的哈希个数.* @return 各个哈希的结果数组.*/public static int[] createHashes(byte[] bytes, int hashNumber) {int[] result = new int[hashNumber];int k = 0;while (k < hashNumber) {result[k] = HashFunctions.hash(bytes, k);k++;}return result;}public static void main(String[] args) throws Exception {Bloomfilter bloomfilter = new Bloomfilter(30000000, 10000000, 8);System.out.println("Bloom Filter Initialize ... ");bloomfilter.init("data/base.txt");System.out.println("Bloom Filter Ready");System.out.println("False Positive Probability : "+ bloomfilter.getFalsePositiveProbability());// 查找新数据List<String> result = new ArrayList<String>();long t1 = System.currentTimeMillis();BufferedReader reader = new BufferedReader(new FileReader("data/input.txt"));String line = reader.readLine();while (line != null && line.length() > 0) {if (!bloomfilter.contains(line)) {result.add(line);}line = reader.readLine();}reader.close();long t2 = System.currentTimeMillis();System.out.println("Parse 9900000 items, Time : " + (t2 - t1) + "ms , find "+ result.size() + " new items.");System.out.println("Average : " + 9900000 / ((t2 - t1) / 1000) + " items/second");}
}
class HashFunctions {public static int hash(byte[] bytes, int k) {switch (k) {case 0:return RSHash(bytes);case 1:return JSHash(bytes);case 2:return ELFHash(bytes);case 3:return BKDRHash(bytes);case 4:return APHash(bytes);case 5:return DJBHash(bytes);case 6:return SDBMHash(bytes);case 7:return PJWHash(bytes);}return 0;}public static int RSHash(byte[] bytes) {int hash = 0;int magic = 63689;int len = bytes.length;for (int i = 0; i < len; i++) {hash = hash * magic + bytes[i];magic = magic * 378551;}return hash;}public static int JSHash(byte[] bytes) {int hash = 1315423911;for (int i = 0; i < bytes.length; i++) {hash ^= ((hash << 5) + bytes[i] + (hash >> 2));}return hash;}public static int ELFHash(byte[] bytes) {int hash = 0;int x = 0;int len = bytes.length;for (int i = 0; i < len; i++) {hash = (hash << 4) + bytes[i];if ((x = hash & 0xF0000000) != 0) {hash ^= (x >> 24);hash &= ~x;}}return hash;}public static int BKDRHash(byte[] bytes) {int seed = 131;int hash = 0;int len = bytes.length;for (int i = 0; i < len; i++) {hash = (hash * seed) + bytes[i];}return hash;}public static int APHash(byte[] bytes) {int hash = 0;int len = bytes.length;for (int i = 0; i < len; i++) {if ((i & 1) == 0) {hash ^= ((hash << 7) ^ bytes[i] ^ (hash >> 3));} else {hash ^= (~((hash << 11) ^ bytes[i] ^ (hash >> 5)));}}return hash;}public static int DJBHash(byte[] bytes) {int hash = 5381;int len = bytes.length;for (int i = 0; i < len; i++) {hash = ((hash << 5) + hash) + bytes[i];}return hash;}public static int SDBMHash(byte[] bytes) {int hash = 0;int len = bytes.length;for (int i = 0; i < len; i++) {hash = bytes[i] + (hash << 6) + (hash << 16) - hash;}return hash;}public static int PJWHash(byte[] bytes) {long BitsInUnsignedInt = (4 * 8);long ThreeQuarters = ((BitsInUnsignedInt * 3) / 4);long OneEighth = (BitsInUnsignedInt / 8);long HighBits = (long) (0xFFFFFFFF) << (BitsInUnsignedInt - OneEighth);int hash = 0;long test = 0;for (int i = 0; i < bytes.length; i++) {hash = (hash << OneEighth) + bytes[i];if ((test = hash & HighBits) != 0) {hash = (int) ((hash ^ (test >> ThreeQuarters)) & (~HighBits));}}return hash;}
}

  

八、问题抛出

最后抛出搜索引擎领域的一个问题:

给你A,B两个文件,各存放50亿条URL,每条URL占用64字节,内存限制是4G,让你找出A,B文件共同的URL。如果是三个乃至n个文件呢?

posted on 2015-04-14 16:03 代码一刀 阅读(...) 评论(...) 编辑 收藏

转载于:https://www.cnblogs.com/zengdan-develpoer/p/4425167.html

大数据算法系列——布隆过滤器相关推荐

  1. 大数据算法系列8:矩阵计算

    文章目录 一. 线性方程组 1.1 LU分解 二. 矩阵 2.1 稀疏矩阵 2.1.1 稀疏矩阵与压缩储存 2.1.2 稀疏矩阵的转置 参考: 一. 线性方程组 和初中高中学的线性方程组有点类似,线性 ...

  2. 大数据算法系列10:字符串检验算法

    文章目录 一. 字符串检验算法 二. 练习 2.1 面试题(输出字符串的排列组合) 2.2 POJ2262(求奇质素之和) 2.3 开门游戏 2.4 Uva106(费马大定律) 2.5 POJ3744 ...

  3. 大数据算法系列12:图论算法

    文章目录 一. 图的概念 1.1 图的举例说明 1.2 图的常用概念 1.3 图的表示方式 1.3.1 邻接矩阵 1.3.2 邻接表 二. 图基本算法 参考: 一. 图的概念 图(Graph),是一种 ...

  4. 大数据算法系列13:最小生成树算法

    文章目录 一. Kruskal算法 二. Prim算法 三. Bellman-Ford算法 四. 算法在计算机网络中的应用 参考: 一. Kruskal算法 二. Prim算法 普里姆(Prim)算法 ...

  5. 八十八、Python | 十大排序算法系列(下篇)

    @Author:Runsen @Date:2020/7/10 人生最重要的不是所站的位置,而是内心所朝的方向.只要我在每篇博文中写得自己体会,修炼身心:在每天的不断重复学习中,耐住寂寞,练就真功,不畏 ...

  6. 八十七、Python | 十大排序算法系列(上篇)

    @Author:Runsen @Date:2020/7/10 人生最重要的不是所站的位置,而是内心所朝的方向.只要我在每篇博文中写得自己体会,修炼身心:在每天的不断重复学习中,耐住寂寞,练就真功,不畏 ...

  7. 大数据学习系列:Hadoop3.0苦命学习(五)

    传送门: 大数据学习系列:Hadoop3.0苦命学习(一) 大数据学习系列:Hadoop3.0苦命学习(二) 大数据学习系列:Hadoop3.0苦命学习(三) 大数据学习系列:Hadoop3.0苦命学 ...

  8. 【十大排序算法系列】快速排序

    写在前面 上一篇更新了这个系列的排序算法([十大排序算法系列]冒泡排序).分析了冒泡的逻辑和优化点,下面来写下快速排序(为什么跳这么快?因为比较走心hhhh) 照例给出系列内所有算法的对比.. 常见的 ...

  9. 大数据小白系列——HDFS(3)

    这里是大数据小白系列,这是本系列的第三篇,介绍HDFS中NameNode选举,JournalNode等概念. 上一期我们说到了为解决NameNode(下称NN)单点失败问题,HDFS中使用了双NN的机 ...

最新文章

  1. Linux学习(linux就该这么学习)8.1
  2. java 获取手机归属地_java 获取手机归属地
  3. 迭代加深搜索 C++解题报告 :[SCOI2005]骑士精神
  4. linux服务器插上硬盘不能开机,Linux服务器添加新硬盘无法识别解决方法(无需重启)...
  5. python 控制手机摄像头_python+open cv调用手机摄像头,保存文件
  6. 星战7将映 追忆那些年存储你身边大数据
  7. 如何判断笔记本蓝牙硬件坏了_还在担心被套路?老司机教你如何判断车用尿素溶液的好与坏...
  8. Oracle(一)创建表空间 用户以及用户授权
  9. proe虚拟服务器,ProE安装以及虚拟网卡的配置
  10. mysql 前n个最大值_MySQL varchar计算:求列的数目和计算N的最大值
  11. 大数据-玩转数据-Oracle系统知识小结
  12. ideaIU-2020.1.3的安装
  13. 陈经纶2021年高考成绩查询时间,2020北京市地区高考成绩排名查询
  14. 鸿蒙DevEco Studio3.0——HelloWorld开发及模拟器运行
  15. python爬取某网站视频
  16. 华为android贡献度,米粉别不信,华为对安卓系统的贡献比小米更多
  17. Android lua编辑工具,Lua脚本编辑器
  18. 产品经理--用户研究
  19. 计算机机房的安全知识有哪些,计算机公共机房安全管理制度
  20. HTTP和HTTP的区别

热门文章

  1. 我对2019年人工智能行业发展的预测
  2. SAP MM MIGO Return Delivery 组合实现部分数量的Reversal
  3. 【深度学习理论】一文看懂卷积神经网络
  4. (完全解决)Key already registered with the same priority: GroupSpatialSoftmax
  5. 2020年世界机器人报告
  6. Facebook爆锤深度度量学习:该领域13年来并无进展!网友:沧海横流,方显英雄本色...
  7. 深度揭秘AI换脸原理,为啥最先进分类器也认不出?
  8. 塔勒布: 2019-nCoV的系统风险:一份笔记
  9. 【人工智能】人工智能时代的道路选择 | 焦点评论
  10. 从技术上解读大数据的应用现状和开源未来