BloomFilter——大规模数据处理利器
|
原文：http://www.cnblogs.com/heaad/archive/2011/01/02/1924195.html 笔记： 类似bloombit，用来查找某个东西是否存在，可以允许少量错误率 bloombit 先定义一个bit数组，插入时将数据hash后置位相应的位，查询时看相应的位是否置位，这样会有一定的出错概率。 bloomfilter改进点是不是每次置位一位，而是N个hash函数，置位N位，以减少出错概率。 一般bloomfilter不删除，如果要实现删除，需要在每一位上加一个计数。 bloomfilter的应用例子：蜘蛛爬虫时，判断一个URL是否已经爬过了。 ? Bloom Filter是由Bloom在1970年提出的一种多哈希函数映射的快速查找算法。通常应用在一些需要快速判断某个元素是否属于集合，但是并不严格要求100%正确的场合。 ? 一.?实例? 为了说明Bloom Filter存在的重要意义，举一个实例： 假设要你写一个网络蜘蛛（web crawler）。由于网络间的链接错综复杂，蜘蛛在网络间爬行很可能会形成“环”。为了避免形成“环”，就需要知道蜘蛛已经访问过那些URL。给一个URL，怎样知道蜘蛛是否已经访问过呢？稍微想想，就会有如下几种方案： 1. 将访问过的URL保存到数据库。 2. 用HashSet将访问过的URL保存起来。那只需接近O(1)的代价就可以查到一个URL是否被访问过了。 3. URL经过MD5或SHA-1等单向哈希后再保存到HashSet或数据库。 4. Bit-Map方法。建立一个BitSet，将每个URL经过一个哈希函数映射到某一位。 方法1~3都是将访问过的URL完整保存，方法4则只标记URL的一个映射位。 以上方法在数据量较小的情况下都能完美解决问题，但是当数据量变得非常庞大时问题就来了。 方法1的缺点：数据量变得非常庞大后关系型数据库查询的效率会变得很低。而且每来一个URL就启动一次数据库查询是不是太小题大做了？ 方法2的缺点：太消耗内存。随着URL的增多，占用的内存会越来越多。就算只有1亿个URL，每个URL只算50个字符，就需要5GB内存。 方法3：由于字符串经过MD5处理后的信息摘要长度只有128Bit，SHA-1处理后也只有160Bit，因此方法3比方法2节省了好几倍的内存。 方法4消耗内存是相对较少的，但缺点是单一哈希函数发生冲突的概率太高。还记得数据结构课上学过的Hash表冲突的各种解决方法么？若要降低冲突发生的概率到1%，就要将BitSet的长度设置为URL个数的100倍。 ? 实质上上面的算法都忽略了一个重要的隐含条件：允许小概率的出错，不一定要100%准确！也就是说少量url实际上没有没网络蜘蛛访问，而将它们错判为已访问的代价是很小的——大不了少抓几个网页呗。? 二. Bloom Filter的算法? ? 废话说到这里，下面引入本篇的主角——Bloom Filter。其实上面方法4的思想已经很接近Bloom Filter了。方法四的致命缺点是冲突概率高，为了降低冲突的概念，Bloom Filter使用了多个哈希函数，而不是一个。 ?? Bloom Filter算法如下： ?? ?创建一个m位BitSet，先将所有位初始化为0，然后选择k个不同的哈希函数。第i个哈希函数对字符串str哈希的结果记为h（i，str），且h（i，str）的范围是0到m-1 。 (1)?加入字符串过程? ? 下面是每个字符串处理的过程，首先是将字符串str“记录”到BitSet中的过程： 对于字符串str，分别计算h（1，str），h（2，str）…… h（k，str）。然后将BitSet的第h（1，str）、h（2，str）…… h（k，str）位设为1。 ?
图1.Bloom Filter加入字符串过程 很简单吧？这样就将字符串str映射到BitSet中的k个二进制位了。 (2)?检查字符串是否存在的过程? 下面是检查字符串str是否被BitSet记录过的过程： 对于字符串str，分别计算h（1，str），h（2，str）…… h（k，str）。然后检查BitSet的第h（1，str）、h（2，str）…… h（k，str）位是否为1，若其中任何一位不为1则可以判定str一定没有被记录过。若全部位都是1，则“认为”字符串str存在。 若一个字符串对应的Bit不全为1，则可以肯定该字符串一定没有被Bloom Filter记录过。（这是显然的，因为字符串被记录过，其对应的二进制位肯定全部被设为1了） 但是若一个字符串对应的Bit全为1，实际上是不能100%的肯定该字符串被Bloom Filter记录过的。（因为有可能该字符串的所有位都刚好是被其他字符串所对应）这种将该字符串划分错的情况，称为false positive 。 (3)?删除字符串过程? ?? 字符串加入了就被不能删除了，因为删除会影响到其他字符串。实在需要删除字符串的可以使用Counting bloomfilter(CBF)，这是一种基本Bloom Filter的变体，CBF将基本Bloom Filter每一个Bit改为一个计数器，这样就可以实现删除字符串的功能了。 Bloom Filter跟单哈希函数Bit-Map不同之处在于：Bloom Filter使用了k个哈希函数，每个字符串跟k个bit对应。从而降低了冲突的概率。 三. Bloom Filter参数选择? ?? (1)哈希函数选择 ?? 哈希函数的选择对性能的影响应该是很大的，一个好的哈希函数要能近似等概率的将字符串映射到各个Bit。选择k个不同的哈希函数比较麻烦，一种简单的方法是选择一个哈希函数，然后送入k个不同的参数。 ???(2)Bit数组大小选择? ?? 哈希函数个数k、位数组大小m、加入的字符串数量n的关系可以参考参考文献1。该文献证明了对于给定的m、n，当 k = ln(2)* m/n 时出错的概率是最小的。 ?? 同时该文献还给出特定的k，m，n的出错概率。例如：根据参考文献1，哈希函数个数k取10，位数组大小m设为字符串个数n的20倍时，false positive发生的概率是0.0000889 ，这个概率基本能满足网络爬虫的需求了。 ? 四. Bloom Filter实现代码? ?? ?下面给出一个简单的Bloom Filter的Java实现代码： ?
publicclass?BloomFilter? { /*?BitSet初始分配2^24个bit?*/? privatestaticfinalint?DEFAULT_SIZE?=1<<25;? ?不同哈希函数的种子，一般应取质数?*/ int[] seeds?=newint[] {?5,?7,?11,?13,?31,?37,?61?}; private?BitSet bits?=new?BitSet(DEFAULT_SIZE); ?哈希函数对象?private?SimpleHash[] func?=new?SimpleHash[seeds.length]; public?BloomFilter()? { for?(int?i?=0; i?<?seeds.length; i++) { func[i]?=new?SimpleHash(DEFAULT_SIZE,seeds[i]); } } //?将字符串标记到bits中 void?add(String value)? { for?(SimpleHash f : func)? { bits.set(f.hash(value),?true); } } 判断字符串是否已经被bits标记boolean?contains(String value)? { if?(value?==null)? { returnfalse; } boolean?ret?=true; for?(SimpleHash f : func)? { ret?=?ret?&&?bits.get(f.hash(value)); } return?ret; } ?哈希函数类?class?SimpleHash? { int?cap; int?seed; public?SimpleHash(int?cap,255); font-size:12px!important; line-height:1.5!important">int?seed)? { this.cap?=?cap; this.seed?=?seed; } hash函数，采用简单的加权和hashint?hash(String value)? { int?result?=0; int?len?=?value.length(); int?i?=0; i?<?len; i++)? { result?=?seed?*?result?+?value.charAt(i); } return?(cap?-1)?&?result; } } }
参考文献： [1]Pei Cao. Bloom Filters - the math. http://pages.cs.wisc.edu/~cao/papers/summary-cache/node8.html [2]Wikipedia. Bloom filter. http://en.wikipedia.org/wiki/Bloom_filter （编辑：ASP站长网） |
对话黄仁勋全解元宇宙
怎样理解你的DBA
跟随云时代玩转大数据