布隆过滤器（Bloom Filter）详解_bitmap布隆过滤

上一篇文章介绍了Bitmap基础原理以及优化之后的高级数据结构Roaring Bitmap，本篇将介绍bitmap的一个经典应用Bloom Filter

简介

Bloom filter是一种高效的数据结构，它可以用来判断一个元素是否在一个集合中。相比于传统的数据结构，如HashSet和HashMap，Bloom filter具有更高的空间效率和查询速度。
不过，Bloom Filter有可能会出现错误判断，但不会漏掉判断。也就是Bloom Filter判断元素不再集合，那肯定不在。如果判断元素存在集合中的话，会有一定的概率判断错误。因此，Bloom Filter不适合需要零错误的场景，但在可以容忍低错误率的应用场合下，Bloom Filter比其他常见的算法相比极大地节省了空间。

基本思想

bloom-filter实际上是一个很长的二进制向量和一系列随机映射函数，可以看做是对 bit-map 的扩展。下面来说说其工作原理。

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”。Hash存在一个冲突（碰撞）的问题，用同一个Hash得到的两个URL的值有可能相同。为了减少冲突（只能减少冲突，但是不采用其他手段例如hashmap，那么是无法解决冲突的），我们可以多引入几个Hash，如果通过其中的一个Hash值我们得出某元素不在集合中，那么该元素肯定不在集合中。只有在所有的Hash函数告诉我们该元素在集合中时，才能确定该元素存在于集合中。这便是Bloom-Filter的基本思想。

当一个元素被加入集合时，会通过 K 个 Hash函数将该元素映射成到位阵列（Bit array）中的 K 个坐标（点）并把它们置为1。检索时，我们只要看看这些位置是不是都是1就行了。此时会有两种情况：

• 如果这些点有任何一个 0，则被检索元素一定不在；
• 如果都是1，则被检索元素可能在。

简而言之：有的不一定有，没有的一定没有

在bloom filter中包含一个位数组和k个独立hash函数。

位数组

假设Bloom Filter使用一个m比特的数组来保存信息，初始状态时，Bloom Filter是一个包含m位的位数组，每个位都置为0，即BF整个数组的元素都设置为0。

hash函数

为了表达S={x1, x2,…,xn}这样一个n个元素的集合，Bloom Filter使用k个相互独立的哈希函数，它们分别将集合中的每个元素映射到{1,…,m}的范围中。

当我们往Bloom Filter中增加任意一个元素x时候，我们使用k个哈希函数得到k个哈希值，然后将数组中对应的比特位设置为1。即第i个哈希函数映射的位置hash(x)就会被置为1（1≤i≤k）。

注意，如果一个位置多次被置为1，那么只有第一次会起作用，后面几次将没有任何效果。在下图中，k=3，且有两个哈希函数选中同一个位置（从左边数第9位，即第5个“1”处）。

判断元素是否存在

在判断y是否属于这个集合时，我们只需要对y使用k个哈希函数得到k个哈希值。

1. 如果所有hash(y)的位置都是1（1≤i≤k），即k个位置都被设置为1了，那么我们就认为y是集合中的元素。
2. 否则就认为y不是集合中的元素。下图中y1就不是集合中的元素（因为y1有一处指向了“0”位）。对于y2来说，可能属于这个集合，但也可能不是，因为有个指向“1”的位置和y1“共用”了，也即发生了hash冲突。
   

存在的问题

准确率问题

通过上面的介绍，我们知道BloomFilter可能有误判，误判的几率取决于Hash函数的个数、Hash函数冲撞的概率、位数组的大小。其中为了保证效果，Hash函数的个数要取个合适的值。因为大了会造成效率问题，少了可能误判高（hash冲突高）。一般在工程里hash函数用3~5个，当然具体多少需要视需求而定。

假设输入的元素个数为n，数组的大小为m，hash函数个数为k，错误率要求为w的话，下面的公式可以作为选择参数的参考。

当hash函数$k=m/n\ast \ln 2$个数时，错误率最小。

使用场景的局限

由于是采用hash算法，对于一些字符串类型的数据做检索很适合，但对于数值型就比较麻烦了，因为一旦对数值做了hash映射，那么还需要做一次转换操作。

bloom filter虽然在判断某个元素是否在一个集合中比较有效，但通过对其数据结构的了解，可以发现其并不适用于多个集合间的交并差操作，也即其并不支持集合运算，即使可以实现，也非常别扭和低效。

一个大致的思路是：如果两个集合元素通过hash存放于bloom filter，要对其做交集运算，那么需要分别读取这两个集合元素本身，分别判断各个集合元素是否在2个bloom filter中是否存在，且其有一定的误判率，因此并不适合。