04 布隆过滤器BloomFilter

是什么

• 布隆过滤器（英语：Bloom Filter）是 1970 年由布隆提出的。
• 它实际上是一个很长的二进制数组+一系列随机hash算法映射函数，主要用于判断一个元素是否在集合中。
• 通常我们会遇到很多要判断一个元素是否在某个集合中的业务场景，一般想到的是将集合中所有元素保存起来，然后通过比较确定。
• 链表、树、散列表（又叫哈希表，Hash table）等等数据结构都是这种思路。
• 但是随着集合中元素的增加，我们需要的存储空间也会呈现线性增长，最终达到瓶颈。同时检索速度也越来越慢，上述三种结构的检索时间复杂度分别为O(n),O(logn),O(1)。这个时候，布隆过滤器（Bloom Filter）就应运而生
• 布隆过滤器BloomFilter由一个初值都为零的bit数组和多个哈希函数构成，用来快速判断某个数据是否存在
• 
• 本质就是判断具体数据存不存在一个大的集合中
• 布隆过滤器是一种类似set的数据结构，只是统计结果不太准确

特点

• 高效地插入和查询，占用空间少，返回的结果是不确定性的。
• 一个元素如果判断结果为存在的时候元素不一定存在，但是判断结果为不存在的时候则一定不存在。
• 布隆过滤器可以添加元素，但是不能删除元素。因为删掉元素会导致误判率增加。
• 误判只会发生在过滤器没有添加过的元素，对于添加过的元素不会发生误判。
• 结论备注
  • 有，是可能有
  • 无，是肯定无：可以保证的是，如果布隆过滤器判断一个元素不在一个集合中，那这个元素一定不会在集合中

布隆过滤器的使用场景

解决缓存穿透的问题

• 缓存穿透是什么
  • 一般情况下，先查询缓存redis是否有该条数据，缓存中没有时，再查询数据库。
  • 当数据库也不存在该条数据时，每次查询都要访问数据库，这就是缓存穿透。
  • 缓存透带来的问题是，当有大量请求查询数据库不存在的数据时，就会给数据库带来压力，甚至会拖垮数据库。
• 可以使用布隆过滤器解决缓存穿透的问题
  • 把已存在数据的key存在布隆过滤器中，相当于redis前面挡着一个布隆过滤器。
  • 当有新的请求时，先到布隆过滤器中查询是否存在：
  • 如果布隆过滤器中不存在该条数据则直接返回；
  • 如果布隆过滤器中已存在，才去查询缓存redis，如果redis里没查询到则穿透到Mysql数据库

黑名单校验

• 发现存在黑名单中的，就执行特定操作。比如：识别垃圾邮件，只要是邮箱在黑名单中的邮件，就识别为垃圾邮件。
• 假设黑名单的数量是数以亿计的，存放起来就是非常耗费存储空间的，布隆过滤器则是一个较好的解决方案。把所有黑名单都放在布隆过滤器中，在收到邮件时，判断邮件地址是否在布隆过滤器中即可。

布隆过滤器原理

Java中传统hash

• 哈希函数的概念是：将任意大小的输入数据转换成特定大小的输出数据的函数，转换后的数据称为哈希值或哈希编码，也叫散列值
• 
• 如果两个散列值是不相同的（根据同一函数）那么这两个散列值的原始输入也是不相同的。
  这个特性是散列函数具有确定性的结果，具有这种性质的散列函数称为单向散列函数。
• 散列函数的输入和输出不是唯一对应关系的，如果两个散列值相同，两个输入值很可能是相同的，但也可能不同，这种情况称为“散列碰撞（collision）”。
• 用 hash表存储大数据量时，空间效率还是很低，当只有一个 hash 函数时，还很容易发生哈希碰撞。

初识

布隆过滤器实现原理和数据结构

• 布隆过滤器(Bloom Filter) 是一种专门用来解决去重问题的高级数据结构。
• 实质就是一个大型位数组和几个不同的无偏hash函数(无偏表示分布均匀)。由一个初值都为零的bit数组和多个个哈希函数构成，用来快速判断某个数据是否存在。但是跟 HyperLogLog 一样，它也一样有那么一点点不精确，也存在一定的误判概率
• 添加key时，使用多个hash函数对key进行hash运算得到一个整数索引值，对位数组长度进行取模运算得到一个位置，每个hash函数都会得到一个不同的位置，将这几个位置都置1就完成了add操作。
• 查询key时，只要有其中一位是零就表示这个key不存在，但如果都是1，则不一定存在对应的key。
• 结论：
  • 有，是可能有
  • 无，是肯定无

进一步

• 当有变量被加入集合时，通过N个映射函数将这个变量映射成位图中的N个点，把它们置为 1（假定有两个变量都通过 3 个映射函数）。
• 
• 查询某个变量的时候我们只要看看这些点是不是都是 1， 就可以大概率知道集合中有没有它了
  • 如果这些点，有任何一个为零则被查询变量一定不在
  • 如果都是 1，则被查询变量很可能存在
  • 为什么说是可能存在，而不是一定存在呢？那是因为映射函数本身就是散列函数，散列函数是会有碰撞的。
  • 

布隆过滤器误判率，为什么不要删除

• 布隆过滤器的误判是指多个输入经过哈希之后在相同的bit位置1了，这样就无法判断究竟是哪个输入产生的，因此误判的根源在于相同的 bit 位被多次映射且置 1。
• 这种情况也造成了布隆过滤器的删除问题，因为布隆过滤器的每一个 bit 并不是独占的，很有可能多个元素共享了某一位。
• 如果我们直接删除这一位的话，会影响其他的元素特性
• 一个元素判断结果为没有时则一定没有，如果判断结果为存在的时候元素不一定存在。
• 布隆过滤器可以添加元素，但是不能删除元素。因为删掉元素会导致误判率增加。

总结

• 使用时最好不要让实际元素数量远大于初始化数量
• 当实际元素数量超过初始化数量时，应该对布隆过滤器进行重建，重新分配一个 size 更大的过滤器，再将所有的历史元素批量 add 进行

布隆过滤器优缺点

• 优点
  • 高效地插入和查询，占用空间少
• 缺点
  • 不能删除元素。因为删掉元素会导致误判率增加，因为hash冲突同一个位置可能存的东西是多个共有的，你删除一个元素的同时可能也把其它的删除了。
  • 存在误判。不同的数据可能出来相同的hash值