共计 6449 个字符，预计需要花费 17 分钟才能阅读完成。
布隆过滤器
- 作者: 博学谷狂野架构师
- GitHub：GitHub 地址（有我精心筹备的 130 本电子书 PDF）
只分享干货、不吹水，让咱们一起加油！😄
什么是布隆过滤器
布隆过滤器（Bloom Filter）是 1970 年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器能够用于检索一个元素是否在一个汇合中。它的长处是空间效率和查问工夫都比个别的算法要好的多，毛病是有肯定的误识别率和删除艰难。
布隆过滤器能够了解为一个不怎么准确的 set 构造，当你应用它的 contains 办法判断某个对象是否存在时，它可能会误判。然而布隆过滤器也不是特地不准确，只有参数设置的正当，它的精确度能够管制的绝对足够准确，只会有小小的误判概率。
当布隆过滤器说某个值存在时，这个值可能不存在；当它说不存在时，那就必定不存在。打个比方，当它说不意识你时，必定就不意识；当它说见过你时，可能基本就没见过面，不过因为你的脸跟它意识的人中某脸比拟类似 (某些熟脸的系数组合)，所以误判以前见过你。
套在下面的应用场景中，布隆过滤器能精确过滤掉那些曾经看过的内容，那些没有看过的新内容，它也会过滤掉极小一部分 (误判)，然而绝大多数新内容它都能精确辨认。这样就能够齐全保障举荐给用户的内容都是无反复的。
布隆过滤器的原理
其本质就是一个只蕴含 0 和 1 的数组。具体操作当一个元素被退出到汇合外面后，该元素通过 K 个 Hash 函数运算失去 K 个 hash 后的值，而后将 K 个值映射到这个位数组对应的地位，把对应地位的值设置为 1。查问是否存在时，咱们就看对应的映射点地位如果全是 1，他就很可能存在（跟 hash 函数的个数和 hash 函数的设计无关），如果有一个地位是 0，那这个元素就肯定不存在。
- 首先须要初始化一个 二进制的数组，长度设为 L，同时初始值全为 0。
- 当 写入一个 A1=1000 的数据时，须要 进行 H 次 hash 函数的运算 （这里为 2 次）；与 HashMap 有点相似，通过 算出的 HashCode 与 L 取模后定位到 0、2 处，将该处的值设为 1。
- A2=2000 也是同理计算后将 4、7 地位设为 1。
- 当有一个 B1=1000 须要判断是否存在时，也是做两次 Hash 运算，定位到 0、2 处，此时他们的值都为 1，所以认为 B1=1000 存在于汇合中。
- 当有一个 B2=3000 时，也是同理。第一次 Hash 定位到 index=4 时，数组中的值为 1，所以再进行第二次 Hash 运算，后果定位到 index=5 的值为 0，所以认为 B2=3000 不存在于汇合中。
整个的写入、查问的流程就是这样，汇总起来就是：
对写入的数据做 H 次 hash 运算定位到数组中的地位，同时将数据改为 1。当有数据查问时也是同样的形式定位到数组中。一旦其中的有一位为 0 则认为数据必定不存在于汇合，否则数据可能存在于汇合中。
布隆过滤器的特点
只有返回数据不存在，则必定不存在。
返回数据存在，但只能是大概率存在。
同时 不能革除 其中的数据。
在无限的数组长度中寄存大量的数据，即使是 再完满的 Hash 算法也会有抵触，所以有可能两个齐全不同的 A、B 两个数据最初定位到的地位是截然不同的。
删除数据也是同理，当我把 B 的数据删除时，其实也相当于是把 A 的数据删掉了，这样也会造成后续的误报。
基于以上的 Hash 抵触的前提，所以 Bloom Filter 有肯定的误报率，这个误报率和 Hash 算法的次数 H，以及数组长度 L 都是无关的。
利用场景
缓存穿透
咱们常常会把一部分数据放在 Redis 等缓存，比方产品详情。这样有查问申请进来，咱们能够依据产品 Id 间接去缓存中取数据，而不必读取数据库，这是晋升性能最简略，最广泛，也是最无效的做法。个别的查问申请流程是这样的：先查缓存，有缓存的话间接返回，如果缓存中没有，再去数据库查问，而后再把数据库取出来的数据放入缓存，所有看起来很美妙。然而如果当初有大量申请进来，而且都在申请一个不存在的产品 Id，会产生什么？既然产品 Id 都不存在，那么必定没有缓存，没有缓存，那么大量的申请都怼到数据库，数据库的压力一下子就上来了，还有可能把数据库打死。
应用布隆过滤器的特点，只有返回数据不存在，则必定不存在，返回数据存在，但只能是大概率存在，这种特点能够大批量的有效申请过滤掉，可能穿透缓存的常识漏网之鱼，无关紧要。
查看单词拼写
查看一个单词拼写是否正确，因为有海量的单词数量，每天可能有新的单词，应用布隆过滤器，能够将单词映射到很小的内存中，能够通过简略的几次 hash 运行就能够进行校验，只有返回数据不存在，则必定不存在，返回数据存在，但只能是大概率存在，尽管可能有误报，然而对系统的晋升是革命性的。
Guava 的布隆过滤器
这就又要提起咱们的 Guava 了，它是 Google 开源的 Java 包，提供了很多罕用的性能。
Guava 中，布隆过滤器的实现次要波及到 2 个类，BloomFilter 和 BloomFilterStrategies，首先来看一下 BloomFilter 的成员变量。须要留神的是不同 Guava 版本的 BloomFilter 实现不同。
布隆过滤器解析
成员变量剖析
COPY/** guava 实现的以 CAS 形式设置每个 bit 位的 bit 数组 */
private final LockFreeBitArray bits;
/** hash 函数的个数 */
private final int numHashFunctions;
/** guava 中将对象转换为 byte 的通道 */
private final Funnel<? super T> funnel;
/**
* 将 byte 转换为 n 个 bit 的策略，也是 bloomfilter hash 映射的具体实现
*/
private final Strategy strategy;这是它的 4 个成员变量:
- LockFreeBitArray 是定义在
BloomFilterStrategies中的外部类，封装了布隆过滤器底层 bit 数组的操作。 - numHashFunctions 示意哈希函数的个数。
- Funnel，它和 PrimitiveSink 配套应用，能将任意类型的对象转化成 Java 根本数据类型，默认用 java.nio.ByteBuffer 实现，最终均转化为 byte 数组。
-
Strategy 是定义在 BloomFilter 类外部的接口，代码如下，次要有 2 个办法，put 和 mightContain。
COPYinterface Strategy extends java.io.Serializable { /** 设置元素 */ <T> boolean put(T object, Funnel<? super T> funnel, int numHashFunctions, BitArray bits); /** 判断元素是否存在 */ <T> boolean mightContain(T object, Funnel<? super T> funnel, int numHashFunctions, BitArray bits); ..... }
创立布隆过滤器，BloomFilter并没有私有的构造函数，只有一个公有构造函数，而对外它提供了 5 个重载的 create 办法，在缺省状况下误判率设定为 3%，采纳 BloomFilterStrategies.MURMUR128_MITZ_64 的实现。
BloomFilterStrategies.MURMUR128_MITZ_64是 Strategy 的两个实现之一，Guava 以枚举的形式提供这两个实现，这也是《Effective Java》书中举荐的提供对象的办法之一。
COPYenum BloomFilterStrategies implements BloomFilter.Strategy {MURMUR128_MITZ_32() {//....}
MURMUR128_MITZ_64() {//....}
}二者对应了 32 位哈希映射函数，和 64 位哈希映射函数，后者应用了 murmur3 hash 生成的所有 128 位，具备更大的空间，不过原理是相通的，咱们抉择绝对简略的 MURMUR128_MITZ_32 来剖析。
先来看一下它的 put 办法，它用两个 hash 函数来模仿多个 hash 函数的状况，这是布隆过滤器的一种优化。
put 办法
COPYpublic <T> boolean put(T object, Funnel<? super T> funnel, int numHashFunctions, BitArray bits) {long bitSize = bits.bitSize();
// 先利用 murmur3 hash 对输出的 funnel 计算失去 128 位的哈希值，funnel 现将 object 转换为 byte 数组，// 而后在应用哈希函数转换为 long
long hash64 = Hashing.murmur3_128().hashObject(object, funnel).asLong();
// 依据 hash 值的高下位算出 hash1 和 hash2
int hash1 = (int) hash64;
int hash2 = (int) (hash64 >>> 32);
boolean bitsChanged = false;
// 循环体内采纳了 2 个函数模仿其余函数的思维, 相当于每次累加 hash2
for (int i = 1; i <= numHashFunctions; i++) {int combinedHash = hash1 + (i * hash2);
// 如果是正数就变为负数
if (combinedHash < 0) {combinedHash = ~combinedHash;}
// 通过基于 bitSize 取模的形式获取 bit 数组中的索引，而后调用 set 函数设置。bitsChanged |= bits.set(combinedHash % bitSize);
}
return bitsChanged;
}在 put 办法中，先是将索引地位上的二进制置为 1，而后用 bitsChanged 记录插入后果，如果返回 true 表明没有反复插入胜利，而 mightContain 办法则是将索引地位上的数值取出，并判断是否为 0，只有其中呈现一个 0，那么立刻判断为不存在。
mightContain 办法
COPYpublic <T> boolean mightContain(T object, Funnel<? super T> funnel, int numHashFunctions, BitArray bits) {long bitSize = bits.bitSize();
long hash64 = Hashing.murmur3_128().hashObject(object, funnel).asLong();
int hash1 = (int) hash64;
int hash2 = (int) (hash64 >>> 32);
for (int i = 1; i <= numHashFunctions; i++) {int combinedHash = hash1 + (i * hash2);
// Flip all the bits if it's negative (guaranteed positive number)
if (combinedHash < 0) {combinedHash = ~combinedHash;}
// 和 put 的区别就在这里，从 set 转换为 get，来判断是否存在
if (!bits.get(combinedHash % bitSize)) {return false;}
}
return true;
}Guava 为了提供效率，本人实现了 LockFreeBitArray 来提供 bit 数组的无锁设置和读取。咱们只来看一下它的 put 函数。
COPYboolean set(long bitIndex) {if (get(bitIndex)) {return false;}
int longIndex = (int) (bitIndex >>> LONG_ADDRESSABLE_BITS);
long mask = 1L << bitIndex; // only cares about low 6 bits of bitIndex
long oldValue;
long newValue;
// 经典的 CAS 自旋重试机制
do {oldValue = data.get(longIndex);
newValue = oldValue | mask;
if (oldValue == newValue) {return false;}
} while (!data.compareAndSet(longIndex, oldValue, newValue));
bitCount.increment();
return true;
}Guava 布隆过滤器应用
引入坐标
COPY<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>28.0-jre</version>
</dependency>代码实现
COPY
public class GuavaBloomFilter {
/**
* 设置布隆过滤器大小
*/
private static final int size = 100000;
/**
* 构建一个 BloomFilter
* 第一个参数 Funnel 类型的参数
* 第二个参数 冀望解决的数据量
* 第三个参数 误判率 可不加，默认 0.03D
*/
private static final BloomFilter<CharSequence> bloomFilter = BloomFilter.create(Funnels.stringFunnel(), size);
public static void main(String[] args) {
// 胜利计数
float success = 0;
// 失败计数
float fial = 0;
Set<String> stringSet = new HashSet<String>();
for (int i = 0; i < size; i++) {
// 生成随机字符串
String randomStr = RandomStringUtils.randomNumeric(10);
// 退出到 set 中
stringSet.add(randomStr);
// 退出到布隆过滤器
bloomFilter.put(randomStr);
}
for (int i = 0; i < size; i++) {
// 生成随机字符串
String randomStr = RandomStringUtils.randomNumeric(10);
// 布隆过滤器校验存在
if (bloomFilter.mightContain(randomStr)) {
//set 中存在
if (stringSet.contains(randomStr)) {
// 胜利计数
success++;
} else {
// 失败计数
fial++;
}
// 布隆过滤器校验不存在
} else {
// set 中存在
if (stringSet.contains(randomStr)) {
// 失败计数
fial++;
} else {
// 胜利计数
success++;
}
}
}
System.out.println("判断胜利数："+success + "，判断失败数:" + fial + "，误判率:" + fial / 100000);
}输入
COPY 判断胜利数：97084.0，判断失败数:2916.0，误判率:0.02916能够通过减少误判率的参数来调整误判率
COPY/**
* 构建一个 BloomFilter
* 第一个参数 Funnel 类型的参数
* 第二个参数 冀望解决的数据量
* 第三个参数 误判率 可不加，默认 0.03D
*/
private static final BloomFilter<CharSequence> bloomFilter = BloomFilter.create(Funnels.stringFunnel(), size,0.00001);输入
COPY 判断胜利数：100000.0，判断失败数:0.0，误判率:0.0本文由
传智教育博学谷狂野架构师教研团队公布。如果本文对您有帮忙，欢送
关注和点赞；如果您有任何倡议也可留言评论或私信，您的反对是我保持创作的能源。转载请注明出处！
