什麼是Java佈隆過濾器?如何使用你知道嗎

Posted on by

Redis緩存穿透可以通過佈隆過濾器進行解決，那麼什麼是佈隆過濾器呢？請往下看。

通常你判斷某個元素是否存在用的是什麼？

很多人想到的是HashMap。

確實可以將值映射到 HashMap 的 Key，然後可以在 O(1) 的時間復雜度內返回結果，效率奇高。但是 HashMap 的實現也有缺點，例如存儲容量占比高，考慮到負載因子的存在，通常空間是不能被用滿的，而一旦你的值很多例如上億的時候，那 HashMap 占據的內存大小就變得很可觀瞭。

一、佈隆過濾器簡介

佈隆過濾器（英語：Bloom Filter）是1970年由佈隆提出的。它實際上是一個很長的二進制向量和一系列隨機映射函數。佈隆過濾器可以用於檢索一個元素是否在一個集合中

如果想判斷一個元素是不是在一個集合裡，一般想到的是將集合中所有元素保存起來，然後通過比較確定。鏈表、樹、散列表（又叫哈希表，Hash table）等等數據結構都是這種思路。但是隨著集合中元素的增加，我們需要的存儲空間越來越大。同時檢索速度也越來越慢，上述三種結構的檢索時間復雜度分別為O(n),O(log n),O(1)。

佈隆過濾器的原理是，當一個元素被加入集合時，通過K個散列函數將這個元素映射成一個位數組中的K個點，把它們置為1。檢索時，我們隻要看看這些點是不是都是1就（大約）知道集合中有沒有它瞭：如果這些點有任何一個0，則被檢元素一定不在；如果都是1，則被檢元素很可能在。這就是佈隆過濾器的基本思想。 –引自《維基百科，自由的百科全書》

本質上佈隆過濾器是一種數據結構，比較巧妙的概率型數據結構（probabilistic data structure）高效地插入和查詢，可以用來告訴你 “某樣東西一定不存在或者可能存在”。相比於傳統的 List、Set、Map 等數據結構，它更高效、占用空間更少，但是缺點是其返回的結果是概率性的，而不是確切的。

當你往簡單數組或列表中插入新數據時，將不會根據插入項的值來確定該插入項的索引值。這意味著新插入項的索引值與數據值之間沒有直接關系。這樣的話，當你需要在數組或列表中搜索相應值的時候，你必須遍歷已有的集合。若集合中存在大量的數據，就會影響數據查找的效率。

針對這個問題，你可以考慮使用哈希表。利用哈希表你可以通過對 “值” 進行哈希處理來獲得該值對應的鍵或索引值，然後把該值存放到列表中對應的索引位置。這意味著索引值是由插入項的值所確定的，當你需要判斷列表中是否存在該值時，隻需要對值進行哈希處理並在相應的索引位置進行搜索即可，這時的搜索速度是非常快的。

二、佈隆過濾器的結構

圖片

根據定義，佈隆過濾器可以檢查值是 “可能在集合中” 還是 “絕對不在集合中”。“可能” 表示有一定的概率，也就是說可能存在一定為誤判率。那為什麼會存在誤判呢？下面我們來分析一下具體的原因。

佈隆過濾器（Bloom Filter）本質上是由長度為 m 的位向量或位列表（僅包含 0 或 1 位值的列表）組成，最初所有的值均設置為 0，如下圖所示。

圖片

為瞭將數據項添加到佈隆過濾器中，我們會提供 K 個不同的哈希函數，並將結果位置上對應位的值置為 “1”。在前面所提到的哈希表中，我們使用的是單個哈希函數，因此隻能輸出單個索引值。而對於佈隆過濾器來說，我們將使用多個哈希函數，這將會產生多個索引值。

圖片

如上圖所示，當輸入 “semlinker” 時，預設的 3 個哈希函數將輸出 2、4、6，我們把相應位置 1。假設另一個輸入 ”kakuqo“，哈希函數輸出 3、4 和 7。你可能已經註意到，索引位 4 已經被先前的 “semlinker” 標記瞭。此時，我們已經使用 “semlinker” 和 ”kakuqo“ 兩個輸入值，填充瞭位向量。當前位向量的標記狀態為：

圖片

當對值進行搜索時，與哈希表類似，我們將使用 3 個哈希函數對 ”搜索的值“ 進行哈希運算，並查看其生成的索引值。假設，當我們搜索 ”fullstack“ 時，3 個哈希函數輸出的 3 個索引值分別是 2、3 和 7：

圖片

從上圖可以看出，相應的索引位都被置為 1，這意味著我們可以說 ”fullstack“ 可能已經插入到集合中。事實上這是誤報的情形，產生的原因是由於哈希碰撞導致的巧合而將不同的元素存儲在相同的比特位上。

那麼我們如何選擇哈希函數個數和佈隆過濾器長度很顯然，過小的佈隆過濾器很快所有的bit位均為1，那麼查詢任何值都會返回“可能存在”，起不到過濾的目的瞭。佈隆過濾器的長度會直接影響誤報率，佈隆過濾器越長其誤報率越小。

另外，哈希函數的個數也需要權衡，個數越多則佈隆過濾器 bit 位置位 1 的速度越快，且佈隆過濾器的效率越低；但是如果太少的話，那我們的誤報率會變高。

圖片

如何選擇適合業務的 k 和 m 值呢，幸運的是，佈隆過濾器有一個可預測的誤判率（FPP）：

圖片

n 是已經添加元素的數量；

k 哈希的次數；

m 佈隆過濾器的長度（如比特數組的大小）；

極端情況下，當佈隆過濾器沒有空閑空間時（滿），每一次查詢都會返回 true 。這也就意味著 m 的選擇取決於期望預計添加元素的數量 n ，並且 m 需要遠遠大於 n 。

實際情況中，佈隆過濾器的長度 m 可以根據給定的誤判率（FFP）的和期望添加的元素個數 n 的通過如下公式計算：

圖片

瞭解完上述的內容之後，我們可以得出一個結論：當我們搜索一個值的時候，若該值經過 K 個哈希函數運算後的任何一個索引位為 ”0“，那麼該值肯定不在集合中。但如果所有哈希索引值均為 ”1“，則隻能說該搜索的值可能存在集合中。

三、佈隆過濾器應用

在實際工作中，佈隆過濾器常見的應用場景如下：

  • 網頁爬蟲對 URL 去重，避免爬取相同的 URL 地址；
  • 反垃圾郵件，從數十億個垃圾郵件列表中判斷某郵箱是否垃圾郵箱；
  • Google Chrome 使用佈隆過濾器識別惡意 URL；
  • Medium 使用佈隆過濾器避免推薦給用戶已經讀過的文章；
  • Google BigTable，Apache HBbase 和 Apache Cassandra 使用佈隆過濾器減少對不存在的行和列的查找。

除瞭上述的應用場景之外，佈隆過濾器還有一個應用場景就是解決緩存穿透的問題。所謂的緩存穿透就是服務調用方每次都是查詢不在緩存中的數據，這樣每次服務調用都會到數據庫中進行查詢，如果這類請求比較多的話，就會導致數據庫壓力增大，這樣緩存就失去瞭意義。

利用佈隆過濾器我們可以預先把數據查詢的主鍵，比如用戶 ID 或文章 ID 緩存到過濾器中。當根據 ID 進行數據查詢的時候，我們先判斷該 ID 是否存在，若存在的話，則進行下一步處理。若不存在的話，直接返回，這樣就不會觸發後續的數據庫查詢。需要註意的是緩存穿透不能完全解決，我們隻能將其控制在一個可以容忍的范圍內。

四、佈隆過濾器的優缺點

優點

相比於其它的數據結構，佈隆過濾器在空間和時間方面都有巨大的優勢。佈隆過濾器存儲空間和插入/查詢時間都是常數（O(k)）。另外，散列函數相互之間沒有關系，方便由硬件並行實現。佈隆過濾器不需要存儲元素本身，在某些對保密要求非常嚴格的場合有優勢。

佈隆過濾器可以表示全集，其它任何數據結構都不能；

k和m相同，使用同一組散列函數的兩個佈隆過濾器的交並運算可以使用位操作進行。

缺點

但是佈隆過濾器的缺點和優點一樣明顯。誤算率是其中之一。隨著存入的元素數量增加，誤算率隨之增加。但是如果元素數量太少，則使用散列表足矣。

另外，一般情況下不能從佈隆過濾器中刪除元素。我們很容易想到把位數組變成整數數組，每插入一個元素相應的計數器加1, 這樣刪除元素時將計數器減掉就可以瞭。然而要保證安全地刪除元素並非如此簡單。首先我們必須保證刪除的元素的確在佈隆過濾器裡面。這一點單憑這個過濾器是無法保證的。另外計數器回繞也會造成問題。

在降低誤算率方面，有不少工作，使得出現瞭很多佈隆過濾器的變種。

五、佈隆過濾器實戰

佈隆過濾器有很多實現和優化，由 Google 開發著名的 Guava 庫就提供瞭佈隆過濾器（Bloom Filter）的實現。在基於 Maven 的 Java 項目中要使用 Guava 提供的佈隆過濾器，隻需要引入以下坐標：

<dependency>
   <groupId>com.google.guava</groupId>
   <artifactId>guava</artifactId>
   <version>28.0-jre</version>
</dependency>

復制代碼在導入 Guava 庫後，我們新建一個 BloomFilterDemo 類，在 main 方法中我們通過 BloomFilter.create 方法來創建一個佈隆過濾器，接著我們初始化 1 百萬條數據到過濾器中，然後在原有的基礎上增加 10000 條數據並判斷這些數據是否存在佈隆過濾器中：

import com.google.common.base.Charsets;
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;

public class BloomFilterDemo {
    public static void main(String[] args) {
        int total = 1000000; // 總數量
        BloomFilter<CharSequence> bf = 
          BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8), total);
        // 初始化 1000000 條數據到過濾器中
        for (int i = 0; i < total; i++) {
            bf.put("" + i);
        }
        // 判斷值是否存在過濾器中
        int count = 0;
        for (int i = 0; i < total + 10000; i++) {
            if (bf.mightContain("" + i)) {
                count++;
            }
        }
        System.out.println("已匹配數量 " + count);
    }
}

當以上代碼運行後，控制臺會輸出以下結果：

已匹配數量 1000309

很明顯以上的輸出結果已經出現瞭誤報，因為相比預期的結果多瞭 309 個元素，誤判率為：

309/(1000000 + 10000) * 100 ≈ 0.030594059405940593

如果要提高匹配精度的話，我們可以在創建佈隆過濾器的時候設置誤判率 fpp：

BloomFilter<CharSequence> bf = BloomFilter.create(
  Funnels.stringFunnel(Charsets.UTF_8), total, 0.0002
);

在 BloomFilter 內部，誤判率 fpp 的默認值是 0.03：

// com/google/common/hash/BloomFilter.classpublic static &lt;T&gt; BloomFilter&lt;T&gt; create(Funnel&lt;? super T&gt; funnel, long expectedInsertions) {  return create(funnel, expectedInsertions, 0.03D);}

在重新設置誤判率為 0.0002 之後，我們重新運行程序，這時控制臺會輸出以下結果：

已匹配數量 1000003

復制代碼通過觀察以上的結果，可知誤判率 fpp 的值越小，匹配的精度越高。當減少誤判率 fpp 的值，需要的存儲空間也越大，所以在實際使用過程中需要在誤判率和存儲空間之間做個權衡。

六、總結

本文主要介紹的佈隆過濾器的概念和常見的應用場合，在實戰部分我們演示瞭 Google 著名的 Guava 庫所提供佈隆過濾器（Bloom Filter）的基本使用，同時我們也介紹瞭佈隆過濾器出現誤報的原因及如何提高判斷準確性。最後為瞭便於大傢理解佈隆過濾器，我們介紹瞭一個簡易版的佈隆過濾器 SimpleBloomFilter。

在這裡插入圖片描述

本篇文章就到這裡瞭，希望能夠給你帶來幫助，也希望您能夠多多關註WalkonNet的更多內容!      

推薦閱讀：