布隆过滤器

参考：
布隆过滤器
Hash 和 Bloom Filter

概念

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。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。

如果想判断一个元素是不是在一个集合里，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。但随着集合中元素的增加，我们需要的存储空间越来越大。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)。

布隆过滤器的原理是，当一个元素被加入集合时，通过 K 个散列函数将这个元素映射成一个位数组中的 K 个点，把它们置为 1。检索时，我们只要看看这些点是不是都是 1 就（大约）知道集合中有没有它了：如果这些点有任何一个 0，则被检元素一定不在；如果都是 1，则被检元素很可能在。这就是布隆过滤器的基本思想。

优点

相比于其它的数据结构，布隆过滤器在空间和时间方面都有巨大的优势。布隆过滤器存储空间和插入/查询时间都是常数（O(k)）。另外，散列函数相互之间没有关系，方便 由硬件并行实现。布隆过滤器不需要存储元素本身，在某些对保密要求非常严格的场合有优势。

布隆过滤器可以表示全集，其他任何数据结构都不能；

k 和 m 相同，使用同一组散列函数的两个布隆过滤器的交并运算可以使用位操作进行。

缺点

布隆过滤器的缺点和优点一样明显。误算率是其中之一。随着存入的元素数量增加，误算率随之增加。但是如果元素数量太少，则使用散列表足以。

另外，一般情况下不能从布隆过滤器中删除元素。我们很容易想到把位数组变成整数数组，每插入一个元素相应的计数器加 1，这样删除元素时将计数器减掉就可以了。然而要保证安全地删除元素并非如此简单。首先我们必须保证删除的元素的确在布隆过滤器里面。这一点单凭过滤器时无法保证的。另外计数器回绕也会造成问题。

在降低误算率方面，有不少工作，使得出现了很多布隆过滤器的变种。

特点

1. 不存在漏报（False Negative），即某个 元素在某个 集合中，肯定你能报出来。

2. 可能存在误报（False Positive），即某个元素不在某个集合中，可能也被报出来。

3. 确定某个元素是否在某个集合中的代价和总的元素数目无关。

案例

1. 比特币网络

2. 分布式系统（Map-Reduce）- Hadoop、search engine

3. Redis 缓存

4. 垃圾邮件、评论等的过滤

5. Oracle 的数据库

6. Google 的 BitTable

关于黑名单问题，推荐阅读这篇，我在最近面试中被问到了这个问题：使用BloomFilter布隆过滤器解决缓存击穿、垃圾邮件识别、集合判重

更进一步阅读：

布隆过滤器实战【防止缓存击穿】

代码实现

1. Python:

https://www.geeksforgeeks.org/bloom-filters-introductionand-python-implementation/

https://github.com/jhgg/pybloof

2. Java：

https://github.com/lovasoa/bloomfilter/blob/master/src/main/

java/BloomFilter.java

https://github.com/Baqend/Orestes-Bloomfilter