布隆过滤器,你用对了吗?
工作原理
(1) 初始化:布隆过滤器初始化时,创建一个长度为m的位数组(bit array),所有位初始化为0,并选择k个独立的哈希函数。
(2) 添加元素:将一个元素添加到布隆过滤器时,使用k个哈希函数对该元素进行哈希运算,得到k个哈希值(位置)。然后,将位数组中这k个位置的值设为1。
(3) 检查元素:要检查一个元素是否在布隆过滤器中,同样使用k个哈希函数对该元素进行哈希运算,得到k个哈希值(位置)。检查位数组中这k个位置的值:
- 如果所有位置的值都是1,则判断该元素可能在集合中。
- 如果有一个位置的值是0,则判断该元素肯定不在集合中。
示例展示
首先,一个空的布隆过滤器是一个 m 位的位数组,所有位都设置为零,如下所示:
我们需要使用 k个哈希函数来计算给定输入的哈希值。当我们想要将一个项目添加到过滤器中时,会设置索引h1(x)、h2(x)、… hk(x)处的位,其中索引是使用哈希函数计算的。例如,假设我们想要将“java”输入过滤器,我们使用3个哈希函数和一个长度为10的位数组,初始时所有位都设置为0。首先我们将计算哈希值如下:
h1(“java”) % 10 = 1
h2(“java”) % 10 = 4
h3(“java”) % 10 = 7
注意:这些输出仅用于解释。然后我们会将索引1、4和7处的位设置为1:
再次,我们想要输入“python”,同样地,我们将计算哈希值:
h1(“python”) % 10 = 3
h2(“python”) % 10 = 5
h3(“python”) % 10 = 4
将索引3、5和4处的位设置为1,如下图:
现在,如果我们想要检查“java”是否存在于过滤器中。我们将执行相同的过程,但这次是反向的。我们使用h1、h2和h3计算相应的哈希值并检查这些索引处的所有位是否都设置为1。如果所有位都设置为1,我们可以说“java”可能存在。如果这些索引处的任一位为0,则“java”肯定不存在。
为什么说:如果所有位都设置为1,我们可以说“java”可能存在?为什么有这种不确定性。让我们通过一个例子来理解这一点。假设我们想要检查“rust”是否存在,将使用h1、h2和h3计算哈希值:
h1(“rust”) % 10 = 1
h2(“rust”) % 10 = 3
h3(“rust”) % 10 = 7
如果我们检查位数组,这些索引处的位都设置为1,但我们知道“rust”从未被添加到过滤器中。索引1和7处的位是在我们添加“java”时设置的,索引3处的位是在我们添加“rust”时设置的。
因此,由于计算出的索引处的位已经被其他项目设置,布隆过滤器错误地声称“rust”存在,并生成了一个假阳性结果。根据应用程序的不同,这可能是一个巨大的缺点或者是相对可以接受的。
优缺点
优点:
- 空间效率高:相比其他数据结构如哈希表,布隆过滤器的空间利用率非常高。
- 查询速度快:查询操作只需要进行k次哈希运算和k次数组访问,速度非常快。
- 插入操作高效:插入操作同样只需要进行k次哈希运算和k次数组访问,效率高。
缺点:
- 误判率:布隆过滤器可能会误判,即可能会错误地认为某个元素在集合中(假阳性),但不会出现假阴性(即不存在的元素被误判为存在)。
- 无法删除元素:标准的布隆过滤器不支持删除操作,因为删除操作可能会影响其他元素的查询结果。不过,可以使用计数布隆过滤器(Counting Bloom Filter)来支持删除操作。
- 哈希函数选择:需要选择合适的哈希函数,以保证哈希值均匀分布,避免过多的冲突。
使用场景
- 网页去重:在搜索引擎中,布隆过滤器可以用于判断网页是否已经被抓取过,从而避免重复抓取。
- 缓存系统:在分布式缓存系统中,布隆过滤器可以用于快速判断某个数据是否在缓存中,从而减少对后端数据库的查询压力。
- 垃圾邮件过滤:在邮件系统中,布隆过滤器可以用于快速判断邮件是否为垃圾邮件,提高过滤效率。
- 数据库查询优化:在数据库系统中,布隆过滤器可以用于快速判断某个记录是否存在,从而减少磁盘I/O操作,提高查询效率。
总结
布隆过滤器是一种简单但非常有效的数据结构,特别适用于大规模数据的快速查找和去重等场景。尽管它有一定的误判率,但在很多应用中,这一点点误判是可以接受的。
免责声明:
① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。
② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341