布隆过滤器及其应用选读.pptx

布隆过滤器及其在HBase中的应用 主要内容 什么是布隆过滤器 * 布隆过滤器（Bloom Filter）是一种概率空间高效的数据结构。它与hashmap非常相似，用于检索一个元素是否在一个集合中。它在检索元素是否存在时，能很好地取舍空间使用率与误报比例。正是由于这个特性，它被称作概率性数据结构（probabilistic data structure） 布隆过滤器的基本思想 *  Bloom-Filter算法的核心思想就是利用多个不同的Hash函数来解决“冲突”。  计算某元素x是否在一个集合中，首先能想到的方法就是将所有的已知元素保存起来构成一个集合R，然后用元素x跟这些R中的元素一一比较来判断是否存在于集合R中；我们可以采用链表等数据结构来实现。但是，随着集合R中元素的增加，其占用的内存将越来越大。试想，如果有几千万个不同网页需要下载，所需的内存将足以占用掉整个进程的内存地址空间。即使用MD5，UUID这些方法将URL转成固定的短小的字符串，内存占用也是相当巨大的. 布隆过滤器优缺点 * 优点： 具有很好的空间和时间效率（只需要哈希表的1/8或1/4的空间复杂度就能完成同样的问题） 不存在false negative (漏报)，就是说如果元素存在的话，必能得到正确的结果 缺点： 不能删除已储存的元素 元素越多，false positive rate(误报率)越大，也就说将不存在的元素判定为存在。（常见的补救方法：增加一个白名单，存储可能被误判的元素） 布隆过滤器的空间效率 * 当使用列表或者集合时，空间效率都是重要且显著的，那么布隆过滤器就应当被考虑。 布隆过滤器基础 * 布隆过滤器是N位的位数组，其中N是位数组的大小。它还有另一个参数k，表示使用哈希函数的个数。这些哈希函数用来设置位数组的值。当往过滤器中插入元素x时，h1(x), h2(x), …, hk(x)所对应索引位置的值被置“1”，索引值由各个哈希函数计算得到。注意，如果我们增加哈希函数的数量，误报的概率会趋近于0.但是，插入和查找的时间开销更大，布隆过滤器的容量也会减小。 为了用布隆过滤器检验元素是否存在，我们需要校验是否所有的位置都被置“1”，与我们插入元素的过程非常相似。如果所有位置都被置“1”，那也就意味着该元素很有可能存在于布隆过滤器中。若有位置未被置“1”，那该元素一定不存在 主要内容 布隆过滤器Java实现 * 示例： 为了存储一亿个电子邮件地址 建立一个含有十六亿二进制比特，也就是两亿字节 将十六亿的比特全部设置为0 我们用八个不同的哈希函数，以电子邮件地址为键，算出值，有8个（也许不是数字） 我们再一个哈希函数，分别以这8个值为键，会得到8个数值（范围为1到十六亿的某个数字） 以上一步算出的8个数值为下标，将这8个位置的二进制都设置为1（存储了一个地址） 查询时只需要用类似的方法得到相应电子邮件的8个数值，以其为下标看二进制是否都设置为了1，如果设置为了1，那么这个电子邮件就存在在这个表中。 主要内容 布隆过滤器的应用 * 应用： 垃圾邮件过滤中的黑白名单 爬虫(Crawler)的网址判重模块 HBase ROWKEY查询 HBase布隆过滤器的原理 * 数据块索引提供了一个有效的方法，在访问一个特定的行时用来查找应该读取的HFile的数据块。但是它的效用是有限的。HFile数据块的默认大小是64KB，这个大小不能调整太多 如果你要查找一个短行，只在整个数据块的起始行键上建立索引无法给你细粒度的索引信息。例如，如果你的行占用100字节存储空间，一个64KB的数据块包含(64 * 1024)/100 = 655.53 = ~700行，而你只能把起始行放在索引位上。你要查找的行可能落在特定数据块上的行区间里，但也不是肯定存放在那个数据块上。这有多种情况的可能，或者该行在表里不存在，或者存放在另一个HFile里，甚至在MemStore里。这些情况下，从硬盘读取数据块会带来IO开销，也会滥用数据块缓存。这会影响性能，尤其是当你面对一个巨大的数据集并且有很多并发读用户时  布隆过滤器允许你对存储在每个数据块的数据做一个反向测试。当某行被请求时，先检查布隆过滤器看看该行是否不在这个数据块。布隆过滤器要么确定回答该行不在，要么回答它不知道 布隆过滤器的代价 * 存储这个额外的索引层次占用额外的空间。布隆过滤器随着它们的索引对象数据增长而增长，所以行级布隆过滤器比列标识符级布隆过滤器占用空间要少。当空间不是问题时，它们可以帮助你榨干系统的性能潜力。   Bloomfilter是一个列族（cf）级别的配置属性，如果你在表中设置了Bloomfilter，那么HBase会在生成StoreFile时包含一份bloomfilter结构的数据，称其为MetaBlock；