实例学习Bloom Filter

  1. 云栖社区>
  2. 博客>
  3. 正文

实例学习Bloom Filter

技术mix呢 2017-11-08 16:50:00 浏览581
展开阅读全文

0. 科普
1. 为什么需要Bloom Filter
2. 基本原理
3. 如何设计Bloom Filter
4. 实例操作
5. 扩展

 

0. 科普

      Bloom Filter是由Bloom在1970年提出的一种多哈希函数映射快速查找算法。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。

 

1. 为什么需要Bloom Filter

      举例说明:假设有2000万个url,现在判断一个新的url是否在这2000万个之中。可以有的思路:

  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。

分析

思路1:当数据量很大时,查询数据库变得效率底下

思路2:太消耗内存,还得把字符串全部储存起来

思路3:字符串经过MD5处理后有128个bit,比思路2省了很多空间

思路4:一个字符串仅用一位来表示,比思路3还节省空间

当然前提是会出现误判(哈希后表示相同),为了继承这么好的思路,同时减少误判的情况,可以来个折衷:一个哈希函数生成一个位,用多个哈希函数生成多个位来存储一个字符串。这样比Bit-Map多用了些空间,但是减少了误判率。

 

2. 基本原理

这样把大量的字符串存起来。查找时,用同样的哈希处理待查串,如果对应的各位上都为1,说明该字符串可能在这些字符串中,否则一定不在其中。

 

3. 如何设计Bloom Filter

如何降低误判率是关键,这需要

  • 选取区分度高的哈希函数
  • 根据存储数组、哈希函数个数、误判率之间的关系,分配空间、个数

直接利用前人的结论:

其中f'是自己期望的误判率,m是总共开辟的存储空间位数,n是待存储字符串的个数,k是哈希函数的个数,f是真正的误判率。

 

4. 实例操作

需求:2000万个已知url,100个待查url

设计

1. 设定误判率为0.1, n=2000万,计算

m = n * 1.44 * math.log(1/f)/math.log(2)=287014588
k = 0.693 * m / n= 10
f = (1 - math.exp(-1 * k * n / m)) ** k = 0.00101298781512

哈希函数的选取看这里

参考代码(c++)

makefile

 View Code

main.cc

 View Code

bloomfilter.h

 View Code

bloomfilter.cc

 View Code

hash.h

 View Code

hash.cc

 View Code

数据下载:http://pan.baidu.com/s/1hqBTks0

Github 地址:https://github.com/jihite/Bloom-Filter

 

5. 扩展

如何删除存储数组中的元素?

思路:把存储数组的每一个元素扩展一下(原来是1b)用来存储该位置被置1的次数。存储是,计数次数加一;删除的时候,计数次数减一。

 





本文转自jihite博客园博客,原文链接:http://www.cnblogs.com/kaituorensheng/p/3669140.html,如需转载请自行联系原作者


网友评论

登录后评论
0/500
评论
技术mix呢
+ 关注