文章目录
一、面试题
1. 现有50亿个电话号码,现有10万个电话号码,怎么要快速判断这些号码是否已经存在?
2. 判断是否存在,布隆过滤器了解过吗?
3. 安全连接网址,全球数10亿的网址判断?
4. 黑名单校验,识别垃圾邮件
5. 白名单校验,识别出合法用户进行后续处理
二、布隆过滤器介绍
1. 概念
布隆过滤器是由一个初始值为0的bit数组和多个哈希函数构成,用来快速判断集合中是否存在某个元素。
2. 设计思想
布隆过滤器设计的目的是为了减少内存占用,它并不保存数据信息,只是在内存中做一个是否存在标记的flag。本质就是判断具体数据是否存在于一个大的集合中。
布隆过滤器是一种类似set的数据结构,只是统计结果在巨量数据下有点小瑕疵,不够完美。
布隆过滤器《英语:Bloom Filter)是1970 年由布隆提出的.
它实际上是一个很长的二进制数組(00000000)十一系列随机hash算法映射两数,主要用于判断一个元素是否在集合中通常我们会遇到很多要判断一个元素是否在某个集合中的业务场景,一般想到的是将集合中所有元素保存起来,然后通过比较确定。链表、树、哈希表等等数据结构都是这种思路。但是随着集合中元素的增加,我们需要的存储空间也会星现线性增长,最终达到瓶颈。同时检索速度也越来越慢,上述三种结构的检索时间复杂度分别为O(n),o(logn),0(1)。这个时候,布隆过滤器(Bloom Filter)就应运而生:
3. 特点
布隆过滤器的特点是什么?
布隆过滤器能够高效的插入和查询,并且占用的空间很小,但是它的返回的结果是不确定的,所以它本身是存在一定缺陷的(因为只要使用hash函数就会发生hash冲突问题,所以布隆过滤器一个bit可能对应多条数据,这种情况就无法进行判断具体记录的是哪条数据)。
一个元素如果判断结果为存在,其实元素不一定存在(出现了hash冲突),但是判断结果为不存在,该元素就一定不存在
布隆过滤器可以添加元素,但是不能删除元素,由于设计hashcode判断依据,删除元素会导致误判率增加。
4. 底层原理
- 布隆过滤器实现原理和数据结构
布隆过滤器(Bloom Filter)是一种专门用来解决去重问题的高级数据结构。实质上是一个大型位数组和几个不同的无偏hash函数(无偏表示分布均匀)。由一个初始值为0的bit数组和多个哈希函数构成,用来快速判断某个数据是否存在。但是和HyperLogLog一样,它也一样有那么一点点不精确,也存在一定的误判率。
添加Key时:
会使用多个hash函数对key进行hash运算得到一个整数索引值,对位数组长度进行取模得到一个位置,每个hash函数都会得到一个不同的位置,将这几个位置都置为1就完成了add操作。
查询Key时:
只要其中有一位是0就表示这个key不存在,但如果是1,则不一定存在对应的key
hash冲突导致数据不精准:
当有变量加入集合时,通过N个映射函数讲这个变量映射到位图中的N个店,把他们都置位1
查询某个变量时,我们只要看看每个元素对应的多个点是否都为1,就大概率知道这个元素是否存在了,如果这些点只要有一个不是1,那么个这个变量一定不存在。正是基于布隆过滤器的快速检测特性,我们可以在把数据与入数据库时,使用布隆过滤器做个标记。当缓存缺失后,应用查询数据库时,可以通过查询布隆过滤器快速判断数据是否存在。如果不存在,就不用再去数据库中查询了。这样一来,即使发生缓存穿透了,大量请求只会查询Redis和布隆过滤器,而不会积压到数据库,也就不会影响数据库的正常运行。布隆过滤器可以使用Redis实现,本身就能承担较大的并发访问压力。
- 布隆过滤器使用3步骤
1. 初始化Bitmap
布隆过滤器本质上时由长度为m的位向量或位列表(仅包括0或1位值的列表)组成,最初所有的值均设为0。
2. 添加占坑位
当我们向布隆过滤器中添加数据时,为了尽量地址不冲突,会使用多个hash 函数对 key 进行运算,算得一个下标索引值,然后对位数组长度进行取模运算得到一个依置,每个hash 两数都会算得一个不同的位置。再把位数组的这几个位置都置为 1就完成了add 操作。例如,我们添加一个字符串wmyskxz,对字符串进行多次hash(key)一>取模运行一>得到坑位
3. 判断是否存在
向布隆过滤器查面某个key是否存在时,先把这个 key 通过相同的多个hash 两数进行运算,查看对应的位置是否都为 1,只要有一个位为零,那么说明布隆过滤器中这个key 不存在;如果这几个位置全都是 1,那么说明极有可能存在;因为这此位置的 1可能是因为其他的 key 存在导致的,也就是前面说过的hash冲突。。。
就比如我们在add 了字符串wmyskxz数据之后,很明显下面1/3/5 这几个位置的1是因为第一次添加的 wmyskxz 而导致的;比时我们查询一个没添加过的不存在的字符串inexistent-key,它有可能计算后坑位也是1/3/5,这就是误判了
- 布隆过滤器误判率,为什么不能删除
这是因为布隆过滤器的误判是指多个输入经过hash之后在相同的bit位置都是1,这样就无法判断究竟是哪个输入产生的,因此误判的根源在于相同的bit位被多次映射且置1。这种情况也造成了布隆过滤器的删除问题,因为布隆过滤器的每一个bit并不是独占的,很有可能多个元素共享了一位。如果我们直接删除这一位的话,会影响其它元素。
使用的时候最好不要让实际元素大于初始化数量,一次给够避免扩容,当实际元素大于初始化数量的时候,应该对布隆过滤器进行重建,重新分配一个size更大的过滤器,再将历史元素批量add
三、使用场景
- 解决缓存穿透问题,和redis结合bitmap使用:
缓存穿透:
一般情况下,先查询redis是否有该条数据,缓存中没有时,再查询数据库。当数据库也不存在该条数据的时,每次查询都要访问数据库,这就是缓存穿透。缓存穿透带来的问题是,当有大量请求查询数据库不存在的数据时,就会给数据库带来压力,甚至会带来压力,甚至会搞垮数据库。
布隆过滤器可以解决缓存穿透问题,把已存在的key存在布隆过滤器中,相当于redis前面挡着一个布隆过滤器。当有新的请求时,先到布隆过滤器中查询是否存在,如果布隆过滤器中不存在直接返回,如果存在就查redis,如果redis没有再查数据库。
- 黑名单校验,识别垃圾邮件
发现存在黑名单中,就执行特定操作,比如识别垃圾邮件,只要是邮箱在黑名单上,就可以识别为垃圾邮件。假设黑名单的数量时数以亿计的,存放起来是非常耗时以及耗费空间的,布隆过滤器就是一个较好的解决方案,把所有的黑名单都放在布隆过滤器汇总,在收到邮件时,判断邮件是否在布隆过滤器中。
- 安全连接地址,全球10亿的网址判断