👦个人主页:@Weraphael
✍🏻作者简介:目前学习C++和算法
✈️专栏:C++航路
🐋 希望大家多多支持,咱一起进步!😁
如果文章对你有帮助的话
欢迎 评论💬 点赞👍🏻 收藏 📂 加关注✨
目录
- 一、问题引入
- 二、布隆过滤器的概念
- 三、布隆过滤器的实现
- 3.1 基本结构
- 3.2 插入
- 3.3 查找
- 3.4 删除
- 3.5 测试
- 3.6 优化
- 四、总结
- 五、代码
一、问题引入
随着玩王者荣耀的用户越来越多,想要取一个心悦的名字是非常难的。当名字重复的时候,系统非常快的提示“名字已被使用”,那么它是如何做到快速查找名字是否被使用了呢?
在如此大的数据下,首先可以想到使用位图:
-
但由于位图的数据必须是
size_t
的,那么需要先将名字(字符串)映射成整型,然后再存入位图中。然而,我们对位图开空间是根据数据范围的,但字符串的长度是可变的,使用位图来表示长度不固定的数据会带来很大的挑战。比如,开少了可能引发冲突,那么就会导致误判。比如说李白和百里都占同一个比特位并且都标记成1
,当有人将修改了百里这一名称,那么其实就是reset
操作,那么,李白也同样会被reset
,那么就会有第二个人可以取李白这个名字。 -
并且字符串在计算机中是以字符集编码的方式存储的,一个字符可能由一个或多个字节组成。而位图一般用于表示集合中元素的存在与否,对于字符集编码来说,字符的种类和编码范围非常广泛,使用位图来表示所有可能的字符将需要非常大的存储空间,并且不实际。
这时候就需要我们本文中的主角: 布隆过滤器Bloomfilter
二、布隆过滤器的概念
布隆过滤器是由布隆在1970年提出的 一种紧凑型的、比较巧妙的概率型数据结构,特点是高效地插入和查询。可以用来告诉你 “某样东西一定不存在或者可能存在”
布隆过滤器是如何做到的呢?
这里举一个小故事:假设布隆有一天要去线下见网友,前提是他不知道网友的任何特征,那怎么办?只能发一个消息问对方今天的穿搭,而网友说今天带了一个黑色的帽子,然而布隆一眼望去,今天穿戴黑色帽子的人也特别的多,于是再次向网友询问更多的特征来过滤掉更多穿搭相识的人。
于是布隆过滤器就是 使用多个哈希函数,将一个数据映射到位图结构中,也就是 一个数据映射位图的多个位置(哈希与位图结合,即布隆过滤器)。只有当映射的比特位全为1
,则说明字符串存在。
三、布隆过滤器的实现
3.1 基本结构
既然需要多个哈希函数,这里我只模板中添加三个哈希函数的模板参数,以及待存储的数据类型,不过布隆过滤器最常见存储的类型是字符串,所以可以给一个缺省值。
显然,这三个 哈希函数 的选择是十分重要的,我们在这里提供三种较为优秀的哈希函数(字符串哈希算法),分别是 BKDRHash
、APHash
以及 DJBHash
struct BKDRHash
{size_t operator()(const string& str){register size_t hash = 0;for (auto& ch : str){hash = hash * 131 + (size_t)ch; }return hash;}
};struct APHash
{size_t operator()(const string& str){size_t hash = 0;for (auto e : str){if (((size_t)e & 1) == 0){hash ^= ((hash << 7) ^ (size_t)e ^ (hash >> 3));}else{hash ^= (~((hash << 11) ^ (size_t)e ^ (hash >> 5)));}}return hash;}
};struct DJBHash
{size_t operator()(const string& str){if (str.empty())return 0;size_t hash = 5381;for (auto e : str){hash += (hash << 5) + (size_t)e;}return hash;}
};template<size_t N, class K = string, class Hashfunc1 = BKDRHash, class Hashfunc2 = APHash, class Hashfunc3 = DJBHash>
class bloomfilter
{
public:private:bitset<N> _bt;
};
3.2 插入
步骤:
-
通过三个哈希函数计算不同的哈希值
-
最后再调用
bitset
中的set
在位图中标记即可
3.3 查找
判断在不在也非常简单,我们可以再次计算出三个哈希值,只要它们对应的二进制位上是1
,说明要查找的字符串存在,只要有一个为0
,说明要查找的字符串一定不存在。
这里需要注意的是:布隆过滤器判断不在
是准确的,判断 在
是不准确的
比如,“李白“映射了位置0 1 3
,”百里“映射了位置3 5 7
,虽然这两个字符串不会相互影响,但原本”妲己“不存在位图中,并且通过调用test
发现三个位置都是1
,那么就会误判存在。
因此 布隆过滤器并不是非常可靠,那该怎么办呢?有人想到了使用 布隆过滤器 + 数据库 的方式进行双重验证
如果 布隆过滤器 判断字符串不存在,那么就是真的不存在,因为这是绝对准确的;但如果在布隆过滤器中存在,可以去数据库里搜索,再反馈给用户。
3.4 删除
布隆过滤器支持删除吗?其实一般是不支持的。因为支持删除会存在重大问题,删除一个值会影响其他字符串。
虽然成功删除了 “李白”,但同时也影响了 “百里”,当要验证“百里”是否存在时,会被判断为不存在,所以布隆过滤器,一般是不支持删除操作的。
3.5 测试
3.6 优化
如果真的误判存在了那该怎么办呢?有的人想增加哈希函数的个数,那么问题来了,增加多少个合适呢?
还有一个比较合适的方案:扩大布隆过滤器的长度,使数据更分散,来降低误判的概率。
那么如何选择合适的布隆过滤器的长度呢?对此有大佬做出了研究:
我们可以来估算一下,假设用3
个哈希函数,即K = 3
,ln2
的值我们取 0.7
,那么 m
和 n
的关系大概是 m = n×k/ln2=4.2n
,也就是过滤器长度应该是插入元素个数的 4 -5倍
四、总结
优点:
-
增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数,一般比较小),与数据量大小无关
-
哈希函数相互之间没有关系,方便硬件并行运算
-
布隆过滤器不需要存储元素本身,在某些对保密要求比较严格的场合有很大优势
-
在能够承受一定的误判时,布隆过滤器比其他数据结构有这很大的空间优势
-
数据量很大时,布隆过滤器可以表示全集,其他数据结构不能
-
使用同一组散列函数的布隆过滤器可以进行交、并、差运算
缺点:
-
有误判率,不能准确判断元素是否在集合中(补救方法:再建立一个白名单,存储可能会误判的数据)
-
不能获取元素本身
-
一般情况下不能从布隆过滤器中删除元素
实际应用场景:
-
注册时对于 昵称、用户名、手机号的验证
-
减少磁盘
IO
或者网络请求,因为一旦一个值必定不存在的话,我们可以不用进行后续昂贵的查询请求
五、代码
本篇博客相关代码:点击跳转