程序员社区

布隆过滤器的简单解析,实际应用场景!

场景

假设你现在要处理这样一个问题,你有一个网站并且拥有很多访客,每当有用户访问时,你想知道这个ip是不是第一次访问你的网站。

hashtable 可以么

一个显而易见的答案是将所有的 IP 用 hashtable 存起来,每次访问都去 hashtable 中取,然后判断即可。但是题目说了网站有很多访客,
假如有10亿个用户访问过,假设 IP 是 IPV4, 那么每个 IP 的长度是 4 byte,那么你一共需要4 * 1000000000 = 4000000000Bytes = 4G 。

如果是判断 URL 黑名单,由于每个 URL 会更长(可能远大于上面 IPV4 地址的 4 byte),那么需要的空间可能会远远大于你的期望。

bit

另一个稍微难想到的解法是bit, 我们知道bit有 0 和 1 两种状态,那么用来表示存在不存在再合适不过了。

假如有 10 亿个 IP,就可以用 10 亿个 bit 来存储,那么你一共需要 1 * 1000000000 = (4000000000 / 8) Bytes = 128M, 变为原来的1/32, 如果是存储URL这种更长的字符串,效率会更高。 问题是,我们怎么把 IPV4 和 bit 的位置关联上呢?

比如192.168.1.1 应该是用第几位表示,10.18.1.1 应该是用第几位表示呢? 答案是使用哈希函数。

基于这种想法,我们只需要两个操作,set(ip) 和 has(ip),以及一个内置函数 hash(ip) 用于将 IP 映射到 bit 表。

这样做有两个非常致命的缺点:

  1. 当样本分布极度不均匀的时候,会造成很大空间上的浪费

我们可以通过优化散列函数来解决

  1. 当元素不是整型(比如URL)的时候,BitSet就不适用了

我们还是可以使用散列函数来解决, 甚至可以多hash几次

布隆过滤器

布隆过滤器其实就是bit + 多个散列函数。k 次 hash(ip) 会生成多个索引,并将其 k 个索引位置的二进制置为 1。 如果经过 k 个索引位置的值都为 1,那么认为其可能存在(因为有冲突的可能)。 如果有一个不为1,那么一定不存在(一个值经过散列函数得到的值一定是唯一的),这也是布隆过滤器的一个重要特点。也就是说布隆过滤器回答了:可能存在一定不存在 的问题。

bloom-filter-url

从上图可以看出, 布隆过滤器本质上是由一个很长的二进制向量多个哈希函数组成。

由于没有 hashtable 的100% 可靠性,因此这本质上是一种可靠性换取空间的做法。除了可靠性,布隆过滤器删除起来也比较麻烦。

布隆过滤器的应用

  1. 网络爬虫

判断某个URL是否已经被爬取过

  1. K-V数据库 判断某个key是否存在

比如 Hbase 的每个 Region 中都包含一个 BloomFilter,用于在查询时快速判断某个 key 在该 region 中是否存在。

  1. 钓鱼网站识别

浏览器有时候会警告用户,访问的网站很可能是钓鱼网站,用的就是这种技术

从这个算法大家可以对 tradeoff(取舍) 有更入的理解。

赞(0) 打赏
未经允许不得转载:IDEA激活码 » 布隆过滤器的简单解析,实际应用场景!

一个分享Java & Python知识的社区