BloomFilter怎么用？使用布隆过滤器来判断key是否存在？「建议收藏」

2022-11-16 18:37:43 浏览数 (1)

一、前言

今天跟一个同事聊了一个问题，说最近在做推荐，如何判断用户是否看过这个片段呢？想了一下，正好可以使用布隆过滤器来完成这个需求。

布隆，可不是LOL的布隆。我们的这个布隆是一个叫布隆的外国人，在1970年提出的一种方案：如果判断这个key不存在，那么就一定不存在，如果key存在，那么有可能不存在。所以不存在的时候，你永远可以详细布隆。

二、布隆的原理是什么？

布隆过滤器是一个高空间利用率的概率性数据结构，由Burton Bloom于1970年提出，用于测试一个元素是否在集合中。

新创建的布隆过滤器是一串被置为0的Bit数组（假设有m位），同时声明k个不同的Hash函数生成统一的随机分布（k是一个小于m的常数）。

插入数据

向布隆过滤器中添加元素时，通过k个Hash函数将元素映射到Bit中的k个点，并将这些位置的值设置为1，一个Bit位可能被不同数据共享。下图展示了假设布隆过滤器的k为3，向其插入X1、X2的过程。

查询

查询元素时，仍通过k个Hash函数得到对应的k个位，判断目标位置是否为1，若目标位置全为1则认为该元素在布隆过滤器内，否则认为该元素不存在，下图展示了在布隆过滤器中查询Y1和Y2是否存在的过程。

查询y1y2 由上图可以发现，虽然从未向布隆过滤器中插入过Y2这个元素，但是布隆过滤器却判断Y2存在，因此，布隆过滤器是可能存在误判的，即存在假阳性（false positive）。至此，可以得出关于布隆过滤器的几个特性：

  • Bit位可能被不同数据共享。
  • 存在假阳性（false positive），且布隆过滤器中的元素越多，假阳性的可能性越大，但不存在假阴性（false negative），即不会将存在的元素误判为不存在。
  • 元素可以被加入布隆过滤器，但无法被删除，因为Bit位是可以共享的，删除时有可能会影响到其他元素。
  • 要判断的数据量越大，占用内存越大。
  • 容错率越低，内存越大，因为bit位要更多一些。

优化

鉴于布隆过滤器会越用越大，我们可以给出几点建议：

  • 做好业务拆分，建立多个布隆过滤器，各个业务用相对应的。

这样做的好处是，可以防止数据增长，导致key过大，影响性能，同时也不好扩展，毕竟redis或者内存大小是有上限的。另外的好处就是可以均衡请求，可以防止请求都打到一个节点，造成热点key，访问倾斜。

  • 定期重置，定期重建

如果业务允许，我们可以清空数据，从新统计数据。

三、代码实现

简单的HashMap实现

首先我们自己定义一个长度固定的数组，然后通过两次hash，计算出数据值，再和array的size取余，更新对应字段为1，这样做会有很多的容错，这个容错率跟我们的数组长度有关，而且跟我们进行hash的次数有关系。所以要根据业务选择。

另外就是，这个是单节点的，存在我们的机器jvm内存，如果我们重启服务，数据就消失了。

代码语言：javascript复制
package com.ares.bloom;
public class BloomFilter { 

/** * 数组长度 */
private int size;
/** * 数组 */
private int[] array;
public BloomFilter(int size) { 

this.size = size;
this.array = new int[size];
}
/** * 添加数据 */
public void add(String item) { 

int firstIndex = func1(item);
int secondIndex = func2(item);
array[firstIndex % size] = 1;
array[secondIndex % size] = 1;
}
/** * 判断数据 item 是否存在集合中 */
public boolean contains(String item) { 

int firstIndex = func1(item);
int secondIndex = func2(item);
int firstValue = array[firstIndex % size];
int secondValue = array[secondIndex % size];
return firstValue != 0 && secondValue != 0;
}
/** * hash 算法 func1 */
private int func1(String key) { 

int hash = 7;
System.out.println(hash);
hash  = 61 * hash   key.hashCode();
System.out.println(hash);
hash ^= hash >> 15;
System.out.println(hash);
hash  = hash << 3;
System.out.println(hash);
hash ^= hash >> 7;
System.out.println(hash);
hash  = hash << 11;
System.out.println(hash);
return Math.abs(hash);
}
/** * hash 算法 func2 */
private int func2(String key) { 

int hash = 7;
for (int i = 0, len = key.length(); i < len; i  ) { 

hash  = key.charAt(i);
hash  = (hash << 7);
hash ^= (hash >> 17);
hash  = (hash << 5);
hash ^= (hash >> 13);
}
return Math.abs(hash);
}
public static void main(String[] args) { 

BloomFilter filter = new BloomFilter(10000);
System.out.println(filter.contains("1"));
System.out.println(filter.contains("2"));
filter.add("1");
System.out.println(filter.contains("1"));
filter.add("2");
System.out.println("---------------------------------");
System.out.println(filter.contains("2"));
}
}

Jetbrains全家桶1年46，售后保障稳定

结果：

代码语言：javascript复制
/Library/Java/JavaVirtualMachines/jdk1.8.0_261.jdk/Contents/Home/bin/java -agentlib:jdwp=transport=dt_socket,address=127.0.0.1:60696,suspend=y,server=n -javaagent:/Users/apple/Library/Caches/JetBrains/IntelliJIdea2020.1/captureAgent/debugger-agent.jar -Dfile.encoding=UTF-8 -classpath /private/var/folders/5b/_717vl_x3d1dx5jx8512k7300000gn/T/classpath2097007646.jar com.ares.bloom.BloomFilter
Connected to the target VM, address: '127.0.0.1:60696', transport: 'socket'
7
483
483
4347
4314
8839386
false
7
484
484
4356
4390
8995110
false
7
483
483
4347
4314
8839386
7
483
483
4347
4314
8839386
true
7
484
484
4356
4390
8995110
---------------------------------
7
484
484
4356
4390
8995110
true
Disconnected from the target VM, address: '127.0.0.1:60696', transport: 'socket'
Process finished with exit code 0

使用Google开源的Guava自带布隆过滤器

Guava 提供了自带的布隆过滤器，而且有相关的参数可以配置，可以更好的实现。

但是Guava还是基于单台机器的，在分布式架构上就不通用了。

引入依赖

代码语言：javascript复制
  <dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>31.0.1-jre</version>
</dependency>

demo:

代码语言：javascript复制
package com.ares.bloom;
import com.google.common.base.Charsets;
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
import lombok.extern.slf4j.Slf4j;
import java.text.NumberFormat;
import java.util.ArrayList;
import java.util.List;
import java.util.UUID;
@Slf4j
public class GravaBloomTest { 

public static void main(String[] args) { 

intBloom();
stringBloom();
}
public static void intBloom(){ 

Integer count = 5000000;
BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), count,0.01);
for (int i = 0; i < count; i  ) { 

bloomFilter.put(i);
}
long begin = System.currentTimeMillis();
if (bloomFilter.mightContain(50000)){ 

log.info("成功过滤到 50000");
}
long end = System.currentTimeMillis();
log.info("布隆过滤器消耗时间" (end - begin)/1000000L "毫秒");
}
public static  void stringBloom(){ 

BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8),5000000,0.01);
List<String> list = new ArrayList<>(5000000);
for (int i = 0; i < 5000000; i  ) { 

String uuid = UUID.randomUUID().toString();
bloomFilter.put(uuid);
list.add(uuid);
}
int mightContainNumber1= 0;
NumberFormat percentFormat = NumberFormat.getPercentInstance();
percentFormat.setMaximumFractionDigits(2);
for (int i=0;i < 500;i  ){ 

String key = list.get(i);
if (bloomFilter.mightContain(key)){ 

mightContainNumber1  ;
}
}
log.info("【key真实存在的情况】布隆过滤器认为存在的key值数："   mightContainNumber1);
log.info("================================================================================");
int mightContainNumber2 = 0;
for (int i=0;i < 5000000;i  ){ 

String key = UUID.randomUUID().toString();
if (bloomFilter.mightContain(key)){ 

mightContainNumber2  ;
}
}
log.info("【key不存在的情况】布隆过滤器认为存在的key值数："   mightContainNumber2);
log.info("【key不存在的情况】布隆过滤器的误判率为："   percentFormat.format((float)mightContainNumber2 / 5000000));
}
}

结果：

从结果可以看到，从500万的数据中判断一个key是否存在时间还是很快的，而且我们知道， String key = UUID.randomUUID().toString(); uuid 每次生成都是不一样的，我们在第二次处理的时候，发现，我们用已经存在的去查，肯定是可以查到的。我们用不存在的差，设置了1%的误差，所以就会有50636命中了存在。这个也是因为，他们hash碰撞到了一个位上。

代码语言：javascript复制
/Library/Java/JavaVirtualMachines/jdk1.8.0_261.jdk/Contents/Home/bin/java -agentlib:jdwp=transport=dt_socket,address=127.0.0.1:63708,suspend=y,server=n -javaagent:/Users/apple/Library/Caches/JetBrains/IntelliJIdea2020.1/captureAgent/debugger-agent.jar -Dfile.encoding=UTF-8 -classpath /private/var/folders/5b/_717vl_x3d1dx5jx8512k7300000gn/T/classpath815744853.jar com.ares.bloom.GravaBloomTest
Connected to the target VM, address: '127.0.0.1:63708', transport: 'socket'
22:31:31.060 [main] INFO com.ares.bloom.GravaBloomTest - 成功过滤到 50000
22:31:31.062 [main] INFO com.ares.bloom.GravaBloomTest - 布隆过滤器消耗时间0毫秒
22:31:48.839 [main] INFO com.ares.bloom.GravaBloomTest - 【key真实存在的情况】布隆过滤器认为存在的key值数：5000000
22:31:48.839 [main] INFO com.ares.bloom.GravaBloomTest - ================================================================================
22:31:53.642 [main] INFO com.ares.bloom.GravaBloomTest - 【key不存在的情况】布隆过滤器认为存在的key值数：50636
22:31:53.642 [main] INFO com.ares.bloom.GravaBloomTest - 【key不存在的情况】布隆过滤器的误判率为：1.01%
Disconnected from the target VM, address: '127.0.0.1:63708', transport: 'socket'
Process finished with exit code 0

分布式处理——用redis实现布隆过滤器

前面我们用的都是单台机器内存上的布隆过滤器，我们要用到分布式，就要用到redis来处理了。如果用redis的布隆，

首先，如果我们没有钱，自己搭建的redis

我们需要安装插件：

1、点击https://redis.io/modules 找到RedisBloom 2、点击进去下载RedisBloom-master.zip文件，上传到linux 3、解压缩刚才的RedisBloom文件

代码语言：javascript复制
unzip RedisBloom-master.zip
cd RedisBloom-master

编译安装

代码语言：javascript复制
make

make完生成redisbloom.so，拷贝到redis的安装目录。

代码语言：javascript复制
cp redisbloom.so /home/www/server/redis

在redis.conf配置文件中加入如RedisBloom的redisbloom.so文件的地址,如果是集群则每个配置文件中都需要加入redisbloom.so文件的地址

代码语言：javascript复制
loadmodule /home/www/server/redis/redisbloom.so

保存以后重启redis服务

代码语言：javascript复制
 redis-server redis.conf --loadmodule /home/www/server/redis/redisbloom.so

上面我们有提到需要重启Redis，在本地和测试环境还可以，但是正式环境能不重启就不需要重启，那这么做可以不重启Redis，使用module load命令执行。

代码语言：javascript复制
> MODULE LOAD /home/www/server/redis/redisbloom.so
> module list
1) 1) "name"
2) "bf"
3) "ver"
4) (integer) 999999

看到以上数据则说明redisbloom加载成功了，模块名name为”bf”，模块版本号ver为999999。

pom中引入redisson依赖:

代码语言：javascript复制
<dependency>
<groupId>org.redisson</groupId>
<artifactId>redisson-spring-boot-starter</artifactId>
<version>3.13.1</version>
</dependency>

demo：

代码语言：javascript复制
	public void patchingConsum(ConsumPatchingVO vo) throws ParseException { 

Config config = new Config();
SingleServerConfig singleServerConfig = config.useSingleServer();
singleServerConfig.setAddress("redis://127.0.0.1:6379");
singleServerConfig.setPassword("123456");
RedissonClient redissonClient = Redisson.create(config);
RBloomFilter<String> bloom = redissonClient.getBloomFilter("name");
// 初始化布隆过滤器； 大小:100000，误判率:0.01
bloom.tryInit(100000L, 0.01);
// 新增10万条数据
for(int i=0;i<100000;i  ) { 

bloom.add("name"   i);
}
// 判断不存在于布隆过滤器中的元素
List<String> notExistList = new ArrayList<>();
for(int i=0;i<100000;i  ) { 

String str = "name"   i;
boolean notExist = bloom.contains(str);
if (notExist) { 

notExistList.add(str);
}
}
if ($.isNotEmpty(notExistList) && notExistList.size() > 0 ) { 

System.out.println("误判次数:" notExistList.size());
}
}

如果我们有钱，充钱就可以，使用云redis

四、小结

布隆：

  1. 内存持续涨，不能删除
  2. 具有容错率，说不存在就真不存在，说存在可能不存在

优化：

  1. 做好业务拆分，多个布隆
  2. 需求允许，定期重建

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/234576.html原文链接：https://javaforall.cn

云数据库Redis https 网络安全 分布式

0 人点赞