Bloom Filter 原理与应用.docVIP

网址：/huangwei1024/archive/2010/11/17/133869.html Bloom Filter 原理与应用 Http://Blog.Huang-Wei.Com/2010/11/02/Bloom-Filter/ Bloom Filter 原理与应用 介绍 Bloom Filter是一种简单的节省空间的随机化的数据结构，支持用户查询的集合。一般我们使用STL的std::set, stdext::hash_set，std::set是用红黑树实现的，stdext::hash_set是用桶式哈希表。上述两种数据结构，都会需要保存原始数据信息，当数据量较大时，内存就会是个问题。如果应用场景中允许出现一定几率的误判，且不需要逆向遍历集合中的数据时，Bloom Filter是很好的结构。 优点 查询操作十分高效。 节省空间。 易于扩展成并行。 集合计算方便。 代码实现方便。 有误判的概率，即存在False Position。 无法获取集合中的元素数据。 不支持删除操作。 缺点 有误判的概率，即存在False Position。 无法获取集合中的元素数据。 不支持删除操作。 定义 Bloom Filter是一个有m位的位数组，初始全为0，并有k个各自独立的哈希函数。 图1 添加操作 每个元素，用k个哈希函数计算出大小为k的哈希向量?，将向量里的每个哈希值对应的位设置为1。时间复杂度为??，一般字符串哈希函数的时间复杂度也就是?。 查询操作 和添加类似，先计算出哈希向量，如果每个哈希值对应的位都为1，则该元素存在。时间复杂度与添加操作相同。 示例 图2表示m=16，k=2的Bloom Filter， 和 的哈希值分别为(3, 6)和(10, 3)。 图2 False Position 如果某元素不在Bloom Filter中，但是它所有哈希值的位置均被设为1。这种情况就是False Position，也就是误判。 借用示例，如下： 图3 这个问题其实和哈希表中的冲突是相同的道理，哈希表中可以使用开散列和闭散列的方法，而Bloom Filter则允许这样的情况发生，它更关心于误判的发生概率。 概率 宏观上，我们能得出以下结论： 参数表 变量 减少 增加 哈希函数总数 K l? 更少的哈希值计算 l? 增加False Position的概率 l? 更多的计算 l? 位值0减少 Bloom Filter?大小 M l? 更少的内存 l? 增加False Position的概率 l? 更多的内存 l? 降低概率 元素总数 N l? 降低False Position的概率 l? 增加概率 False Position的概率为?。 假设m和n已知，为了最小化False Position，则?。 数据 图4 扩展 Counter Bloom Filter Bloom Filter有个缺点，就是不支持删除操作，因为它不知道某一个位从属于哪些向量。那我们可以给Bloom Filter加上计数器，添加时增加计数器，删除时减少计数器。 但这样的Filter需要考虑附加的计数器大小，假如同个元素多次插入的话，计数器位数较少的情况下，就会出现溢出问题。如果对计数器设置上限值的话，会导致Cache Miss，但对某些应用来说，这并不是什么问题，如Web Sharing。 Compressed Bloom Filter 为了能在服务器之间更快地通过网络传输Bloom Filter，我们有方法能在已完成Bloom Filter之后，得到一些实际参数的情况下进行压缩。 将元素全部添加入Bloom Filter后，我们能得到真实的空间使用率，用这个值代入公式计算出一个比m小的值，重新构造Bloom Filter，对原先的哈希值进行求余处理，在误判率不变的情况下，使得其内存大小更合适。 应用 加速查询 适用于一些key-value存储系统，当values存在硬盘时，查询就是件费时的事。 将Storage的数据都插入Filter，在Filter中查询都不存在时，那就不需要去Storage查询了。 当False Position出现时，只是会导致一次多余的Storage查询。 图5 l? Google的BigTable也使用了Bloom Filter，以减少不存在的行或列在磁盘上的查询，大大提高了数据库的查询操作的性能。 l? 在Internet Cache Protocol中的Proxy-Cache很多都是使用Bloom Filter存储URLs，除了高效的查询外，还能很方便得传输交换Cache信息。 网络应用 l? P2P网络中查找资源操作，可以对每条网络通路保存Bloom Filter，当命中时，则选择该通路访问。 l