背景
布隆过滤器是一个叫Bloomer的哥们基于哈希算法改进发明的一种应用，应用面很多很广啦，经常见到网站、Redis等都会提到布隆过滤器等等…
概念
布隆过滤器如其名是一种过滤器，过滤啥？基本场景就是，有1条数据A，让程序（过滤器）判断这条数据在某张表T中有没有。对于布隆过滤器来说，它能给出下面2种答案中的1种。
- 数据A在表T中不存在。
- 或者告诉你：数据A在表T中可能是存在的。
对于布隆过滤器来说，上面的答案2选1，布隆过滤器只能回答你1或2。将上面布隆过滤器的逻辑做个不恰当的比喻。你是一个腰缠万贯的土豪，偶尔也会马虎在自己家门口掉（人民币）毛票。有一别人在你家门口捡了钱，人家问你，这钱是你的吗？你看了看钱，然后回答：
- 你捡的这钱是美元啊，一定不是我的！
- 你捡的这钱是（人民币）毛票，有可能是我的。
当然，对于上面答案1来说，是存在一定误报率的！！！
特点
布隆过滤器有以下特点：
- 基于HASH算法实现，HASH计算时间复杂度是O(1)。
- 正是基于HASH算法，为了保证HASH低冲突率，需要使用大量的内存空间，导致空间利用效率不高，于是采用了多HASH组合函数减少冲突概率，提高空间使用率，多HASH计算时间复杂度是N*O(1)，N是哈希函数个数。
- 适用于判断"某样东西一定不存在"这类场景。
- 传统的Bloomer不支持删除操作，删除了会有问题的，但是有些变种的Bloomer支持删除。
原理
链接原理介绍的比较全面，不码字了。
引用链接：https://www.jianshu.com/p/2104d11ee0a2
参数选择
同引用：https://www.jianshu.com/p/2104d11ee0a2
k：哈希函数数量
m：过滤器长度（占用的空间大小）
n：插入的元素个数
p：误报率
公式：
m = -nlnp/(ln2)^2
k = m/n(ln2)
PS: ln是以e为底！！！
一般情况下使用逻辑：我有一个业务场景，知道大概要判断多少数据量（n），根据业务容忍度设定一个误报率（p）。通过公式，可求得REDIS中需要使用的内存占用量（m），以及需要使用的哈希函数个数（k），哈希函数过多也会影响性能！
举个例子：
n = 10000 p = 0.001 时，（对10000条记录进行判断，保持误报率万分之1）
根据公式可得m = 143775（准备143775这么大的空间，1个空间能存1条记录），k= 9.91（约10个哈希函数）。
应用场景
- 白名单过滤
在布隆过滤器中的阵列位中的元素都是合法的，如果输入一个元素，被判定为不存在于阵列位中，可认为其是非法的。 - 防止缓存穿透
业务中提供了对外暴露的某类可请求服务，当恶意WEB请求对查询键（KEY）中不存在的值进行查询请求，可通过布隆过滤器将其过滤掉，防止大量无效请求 压到 后端 系统（DB、逻辑层）中。
留个疑问，场景1，2中面临共同的挑战是，需要定期或有策略的从后台DB中将所有存在的（合法）KEY的哈希值更新到布隆过滤器的缓存中，如果没有及时更新KEY值，哪怕漏掉一个合法的KEY值，那么对于这个合法的KEY的请求，布隆过滤器也会将其过滤掉，相当于拒绝服务了。。。。。。