bloomfilter（使用b+树和使用bloom filter作为索引结构的区别）

本文目录

• 使用b+树和使用bloom filter作为索引结构的区别
• 如何使用bloomfilter构建大型Java缓存系统 bloomfilter
• 哪位大神有python版的完整的bloom filter实现过程，感谢！
• 如何验证bloomfilter + python
• Bloom filter有哪些实践应用
• 如何使用bloomfilter构建大型java缓存系统
• Bloom filter和普通hash表对于碰撞和存储空间的不同
• 用C语言编写程序，找出用户输入的两个字符串中相同的子串，要求此输出的字符串中无重复的子串
• scrapy的dupefilter和bloomfilter有什么区别

使用b+树和使用bloom filter作为索引结构的区别

　　Bloom Filter是一种空间效率很高的随机数据结构，它的原理是，当一个元素被加入集合时，通过K个Hash函数将这个元素映射成一个位阵列（Bit array）中的K个点，把它们置为1。检索时，我们只要看看这些点是不是都是1就（大约）知道集合中有没有它了：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，则被检索元素很可能在。这就是布隆过滤器的基本思想。　　但Bloom Filter的这种高效是有一定代价的：在判断一个元素是否属于某个集合时，有可能会把不属于这个集合的元素误认为属于这个集合（false positive）。因此，Bloom Filter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，Bloom Filter通过极少的错误换取了存储空间的极大节省。　　有人可能想知道它的中文叫法，倒是有被译作称布隆过滤器。该不该译，译的是否恰当，由诸君品之。下文之中，如果有诸多公式不慎理解，也无碍，只作稍稍了解即可。

如何使用bloomfilter构建大型Java缓存系统 bloomfilter

在如今的软件当中，缓存是解决很多问题的一个关键概念。你的应用可能会进行CPU密集型运算。你当然不想让这些运算一边又一边的重复执行，相反，你可以只执行一次， 把这个结果放在内存中作为缓存。有时系统的瓶颈在I/O操作上，比如你不想重复的查询数据库，你想把结果缓存起来，只在数据发生变化时才去数据查询来更新缓存。与上面的情况类似，有些场合下我们需要进行快速的查找来决定如何处理新来的请求。例如，考虑下面这种情况，你需要确认一个URL是否指向一个恶意网站，这种需求可能会有很多。如果我们把所有恶意网站的URL缓存起来，那么会占用很大的空间。或者另一种情况，需要确认用户输入的字符串是包含了美国的地名。像“华盛顿的博物馆”——在这个字符串中，华盛顿是美国的一个地名。我们应该把美国所有的地名保存在内存中然后再查询吗？那样的话缓存会有多大？是否能在不使用数据库的前提下来高效地完成？这就是为什么我们要跨越基本的数据结构map，在更高级的数据结构像布隆过滤器（bloomfilter）中来寻找答案。你可以把布隆过滤器看做Java中的集合（collection），你可以往它里面添加元素，查询某个元素是否存在（就像一个HashSet）。如果布隆过滤器说没有这个元素，这个结果可能是错误的。如果我们在设计布隆过滤器时足够细心，我们可以把这种出错的概率控制在可接受范围内。

哪位大神有python版的完整的bloom filter实现过程，感谢！

Python实现以及使用代码实现网上有很多，有时间可以研究一下使用：我下载了github上的模块，使用mmap速度更快。通俗点儿来讲：1、该句引入模块from pybloomfilter import BloomFilter2、Reference如下常用的函数有：class pybloomfilter.BloomFilter(capacity : int, error_rate : float, filename : string)static BloomFilter.open(filename)BloomFilter.add(item) → BooleanBloomFilter.clear_all()BloomFilter.copy(filename) → BloomFilterBloomFilter.update(iterable)BloomFilter.__len__(item) → IntegerBloomFilter.__in__(item) → Boolean

如何验证bloomfilter + python

通俗点儿来讲：1、该句引入模块from pybloomfilter import BloomFilter2、Reference如下：http://axiak.github.io/pybloomfiltermmap/ref.html#magic-methods常用的函数有：class pybloomfilter.BloomFilter(capacity : int, error_rate : float, filename : string)static BloomFilter.open(filename)BloomFilter.add(item) → BooleanBloomFilter.clear_all()BloomFilter.copy(filename) → BloomFilterBloomFilter.update(iterable)BloomFilter.__len__(item) → IntegerBloomFilter.__in__(item) → Boolean3、使用上述函数创建一个test代码

Bloom filter有哪些实践应用

应用样例可以参考 en.wikipedia.org/wiki/Bloom_filterAkamai’s web servers use Bloom filters to prevent “one-hit-wonders“ from being stored in its disk caches. One-hit-wonders are web objects requested by users just once. Nearly three-quarters of urls accessed from a typical web cache are one-hit-wonders! Using a Bloom filter to detect the second request for a web object and caching that object only on its second request prevents one-hit wonders from entering the disk cache, significantly reducing disk workload and increasing disk cache hit rates.Google BigTable, Apache HBase and Apache Cassandra use Bloom filters to reduce the disk lookups for non-existent rows or columns. Avoiding costly disk lookups considerably increases the performance of a database query operation.The Google Chrome web browser used to use a Bloom filter to identify malicious URLs. Any URL was first checked against a local Bloom filter, and only if the Bloom filter returned a positive result was a full check of the URL performed (and the user warned, if that too returned a positive result).The Squid Web Proxy Cache uses Bloom filters for cache digests.Bitcoin uses Bloom filters to speed up wallet synchronization.The Venti archival storage system uses Bloom filters to detect previously stored data.The SPIN model checker uses Bloom filters to track the reachable state space for large verification problems.The Cascading analytics framework uses Bloom filters to speed up asymmetric joins, where one of the joined data sets is significantly larger than the other (often called Bloom join in the database literature).The Exim mail transfer agent (MTA) uses Bloom filters in its rate-limit feature.Medium uses Bloom filters to avoid recommending articles a user has previously read.

如何使用bloomfilter构建大型java缓存系统

在如今的软件当中，缓存是解决很多问题的一个关键概念。你的应用可能会进行CPU密集型运算。你当然不想让这些运算一边又一边的重复执行，相反，你可以只执行一次， 把这个结果放在内存中作为缓存。有时系统的瓶颈在I/O操作上，比如你不想重复的查询数据库，你想把结果缓存起来，只在数据发生变化时才去数据查询来更新缓存。与上面的情况类似，有些场合下我们需要进行快速的查找来决定如何处理新来的请求。例如，考虑下面这种情况，你需要确认一个URL是否指向一个恶意网站，这种需求可能会有很多。如果我们把所有恶意网站的URL缓存起来，那么会占用很大的空间。或者另一种情况，需要确认用户输入的字符串是包含了美国的地名。像“华盛顿的博物馆”——在这个字符串中，华盛顿是美国的一个地名。我们应该把美国所有的地名保存在内存中然后再查询吗？那样的话缓存会有多大？是否能在不使用数据库的前提下来高效地完成？这就是为什么我们要跨越基本的数据结构map，在更高级的数据结构像布隆过滤器（bloomfilter）中来寻找答案。你可以把布隆过滤器看做Java中的集合（collection），你可以往它里面添加元素，查询某个元素是否存在（就像一个HashSet）。如果布隆过滤器说没有这个元素，这个结果可能是错误的。如果我们在设计布隆过滤器时足够细心，我们可以把这种出错的概率控制在可接受范围内。解释布隆过滤器被设计为一个具有N的元素的位数组A（bit array），初始时所有的位都置为0.添加元素要添加一个元素，我们需要提供k个哈希函数。每个函数都能返回一个值，这个值必须能够作为位数组的索引（可以通过对数组长度进行取模得到）。然后，我们把位数组在这个索引处的值设为1。例如，第一个哈希函数作用于元素I上，返回x。类似的，第二个第三个哈希函数返回y与z，那么：A[x]=A[y]=A[z] = 1查找元素查找的过程与上面的过程类似，元素将会被会被不同的哈希函数处理三次，每个哈希函数都返回一个作为位数组索引值的整数，然后我们检测位数组在x、y与z处的值是否为1。如果有一处不为1，那么就说明这个元素没有被添加到这个布隆过滤器中。如果都为1，就说明这个元素在布隆过滤器里面。当然，会有一定误判的概率。算法优化通过上面的解释我们可以知道，如果想设计出一个好的布隆过滤器，我们必须遵循以下准则：好的哈希函数能够尽可能的返回宽范围的哈希值。位数组的大小（用m表示）非常重要：如果太小，那么所有的位很快就都会被赋值为1，这样就增加了误判的几率。哈希函数的个数（用k表示）对索引值的均匀分配也很重要。计算m的公式如下：m = - nlog p / (log2)^2;这里p为可接受的误判率。计算k的公式如下：k = m/n log(2) ;这里k=哈希函数个数，m=位数组个数，n=待检测元素的个数（后面会用到这几个字母）。哈希算法哈希算法是影响布隆过滤器性能的地方。我们需要选择一个效率高但不耗时的哈希函数，在论文《更少的哈希函数，相同的性能指标：构造一个更好的布隆过滤器》中，讨论了如何选用2个哈希函数来模拟k个哈希函数。首先，我们需要计算两个哈希函数h1(x)与h3(x)。然后，我们可以用这两个哈希函数来模仿产生k个哈希函数的效果：gi(x) = h1(x) + ih3(x);这里i的取值范围是1到k的整数。Google guava类库使用这个技巧实现了一个布隆过滤器，哈希算法的主要逻辑如下：long hash64 = …; //calculate a 64 bit hash function//split it in two halves of 32 bit hash values int hash1 = (int) hash64; int hash3 = (int) (hash64 》》》 32);//Generate k different hash functions with a simple loopfor (int i = 1; i 《= numHashFunctions; i++) { int nextHash = hash1 + i * hash3;}应用从数学公式中，我们可以很明显的知道使用布隆过滤器来解决问题。但是，我们需要很好地理解布隆过滤器所能解决问题的领域。像我们可以使用布隆过滤器来存放美国的所有城市，因为城市的数量是可以大概确定的，所以我们可以确定n（待检测元素的个数）的值。根据需求来修改p（误判概率）的值，在这种情况下，我们能够设计出一个查询耗时少，内存使用率高的缓存机制。实现Google Guava类库有一个实现，查看这个类的构造函数，在这里面需要设置待检测元素的个数与误判率。import com.google.common.hash.BloomFilter;import com.google.common.hash.Funnels;//Create Bloomfilterint expectedInsertions = ….;double fpp = 0.03; // desired false positive probabilityBloomFilter《CharSequence》 bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charset.forName(“UTF-8“)), expectedInsertions,fpp)

Bloom filter和普通hash表对于碰撞和存储空间的不同

Bloom Filter概念和原理引用一篇讲述非常好的文章。，其博客里还有很多关于Bloom filter比较深入的研究，而且博客篇篇都很精彩，非常值得学习。 Bloom Filter概念和原理焦萌 2007年1月27日Bloom Filter是一种空间效率很高的随机数据结构，它利用位数组很简洁地表示一个集合，并能判断一个元素是否属于这个集合。Bloom Filter的这种高效是有一定代价的：在判断一个元素是否属于某个集合时，有可能会把不属于这个集合的元素误认为属于这个集合（false positive）。因此，Bloom Filter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，Bloom Filter通过极少的错误换取了存储空间的极大节省。集合表示和元素查询下面我们具体来看Bloom Filter是如何用位数组表示集合的。初始状态时，Bloom Filter是一个包含m位的位数组，每一位都置为0。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（Hash Function），它们分别将集合中的每个元素映射到{1,…,m}的范围中。对任意一个元素x，第i个哈希函数映射的位置hi(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（从左边数第五位）。 在判断y是否属于这个集合时，我们对y应用k次哈希函数，如果所有hi(y)的位置都是1（1≤i≤k），那么我们就认为y是集合中的元素，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。y2或者属于这个集合，或者刚好是一个false positive。错误率估计前面我们已经提到了，Bloom Filter在判断一个元素是否属于它表示的集合时会有一定的错误率（false positive rate），下面我们就来估计错误率的大小。在估计之前为了简化模型，我们假设kn《m且各个哈希函数是完全随机的。当集合S={x1, x2,…,xn}的所有元素都被k个哈希函数映射到m位的位数组中时，这个位数组中某一位还是0的概率是：其中1/m表示任意一个哈希函数选中这一位的概率（前提是哈希函数是完全随机的），(1-1/m)表示哈希一次没有选中这一位的概率。要把S完全映射到位数组中，需要做kn次哈希。某一位还是0意味着kn次哈希都没有选中它，因此这个概率就是（1-1/m）的kn次方。令p = e-kn/m是为了简化运算，这里用到了计算e时常用的近似：令ρ为位数组中0的比例，则ρ的数学期望E(ρ)= p’。在ρ已知的情况下，要求的错误率（false positive rate）为：(1-ρ)为位数组中1的比例，(1-ρ)k就表示k次哈希都刚好选中1的区域，即false positive rate。上式中第二步近似在前面已经提到了，现在来看第一步近似。p’只是ρ的数学期望，在实际中ρ的值有可能偏离它的数学期望值。M. Mitzenmacher已经证明 ，位数组中0的比例非常集中地分布在它的数学期望值的附近。因此，第一步的近似得以成立。分别将p和p’代入上式中，得：相比p’和f’，使用p和f通常在分析中更为方便。最优的哈希函数个数既然Bloom Filter要靠多个哈希函数将集合映射到位数组中，那么应该选择几个哈希函数才能使元素查询时的错误率降到最低呢？这里有两个互斥的理由：如果哈希函数的个数多，那么在对一个不属于集合的元素进行查询时得到0的概率就大；但另一方面，如果哈希函数的个数少，那么位数组中的0就多。为了得到最优的哈希函数个数，我们需要根据上一小节中的错误率公式进行计算。先用p和f进行计算。注意到f = exp(k ln(1 − e−kn/m))，我们令g = k ln(1 − e−kn/m)，只要让g取到最小，f自然也取到最小。由于p = e-kn/m，我们可以将g写成根据对称性法则可以很容易看出当p = 1/2，也就是k = ln2· (m/n)时，g取得最小值。在这种情况下，最小错误率f等于(1/2)k ≈ (0.6185)m/n。另外，注意到p是位数组中某一位仍是0的概率，所以p = 1/2对应着位数组中0和1各一半。换句话说，要想保持错误率低，最好让位数组有一半还空着。需要强调的一点是，p = 1/2时错误率最小这个结果并不依赖于近似值p和f。同样对于f’ = exp(k ln(1 − (1 − 1/m)kn))，g’ = k ln(1 − (1 − 1/m)kn)，p’ = (1 − 1/m)kn，我们可以将g’写成 同样根据对称性法则可以得到当p’ = 1/2时，g’取得最小值。位数组的大小下面我们来看看，在不超过一定错误率的情况下，Bloom Filter至少需要多少位才能表示全集中任意n个元素的集合。假设全集中共有u个元素，允许的最大错误率为є，下面我们来求位数组的位数m。假设X为全集中任取n个元素的集合，F(X)是表示X的位数组。那么对于集合X中任意一个元素x，在s = F(X)中查询x都能得到肯定的结果，即s能够接受x。显然，由于Bloom Filter引入了错误，s能够接受的不仅仅是X中的元素，它还能够є (u - n)个false positive。因此，对于一个确定的位数组来说，它能够接受总共n + є (u - n)个元素。在n + є (u - n)个元素中，s真正表示的只有其中n个，所以一个确定的位数组可以表示个集合。m位的位数组共有2m个不同的组合，进而可以推出，m位的位数组可以表示个集合。全集中n个元素的集合总共有个，因此要让m位的位数组能够表示所有n个元素的集合，必须有即：上式中的近似前提是n和єu相比很小，这也是实际情况中常常发生的。根据上式，我们得出结论：在错误率不大于є的情况下，m至少要等于n log2(1/є)才能表示任意n个元素的集合。上一小节中我们曾算出当k = ln2· (m/n)时错误率f最小，这时f = (1/2)k = (1/2)mln2 / n。现在令f≤є，可以推出这个结果比前面我们算得的下界n log2(1/є)大了log2 e ≈ 1.44倍。这说明在哈希函数的个数取到最优时，要让错误率不超过є，m至少需要取到最小值的1.44倍。总结在计算机科学中，我们常常会碰到时间换空间或者空间换时间的情况，即为了达到某一个方面的最优而牺牲另一个方面。Bloom Filter在时间空间这两个因素之外又引入了另一个因素：错误率。在使用Bloom Filter判断一个元素是否属于某个集合时，会有一定的错误率。也就是说，有可能把不属于这个集合的元素误认为属于这个集合（False Positive），但不会把属于这个集合的元素误认为不属于这个集合（False Negative）。在增加了错误率这个因素之后，Bloom Filter通过允许少量的错误来节省大量的存储空间。自从Burton Bloom在70年代提出Bloom Filter之后，Bloom Filter就被广泛用于拼写检查和数据库系统中。近一二十年，伴随着网络的普及和发展，Bloom Filter在网络领域获得了新生，各种Bloom Filter变种和新的应用不断出现。可以预见，随着网络应用的不断深入，新的变种和应用将会继续出现，Bloom Filter必将获得更大的发展。参考资料 A. Broder and M. Mitzenmacher. Network applications of bloom filters: A survey. Internet Mathematics, 1(4):485–509, 2005. M. Mitzenmacher. Compressed Bloom Filters. IEEE/ACM Transactions on Networking 10:5 (2002), 604—612.

用C语言编写程序，找出用户输入的两个字符串中相同的子串，要求此输出的字符串中无重复的子串

// 利用经典的大数据处理算法bloomfilter进行两个集合中相同元素的查找，去重#include 《stdio.h》#include 《string.h》unsigned char mask = {128, 64, 32, 16, 8, 4, 2, 1};// 简单的哈希算法 int hashfuc(char* s, int key){    int i, seed = {5, 7 ,11, 13}, value = 0;    if(key 》= 4) key %= 4;    for(i = 0; s[i]; i++)        value += s[i]*seed[key];    return value;}// 利用bloomfilter算法将字符串s映射到位数组m中，并去掉重复的子串 void bloomfilter(unsigned char *m, char *s){    int i, j, hvalue, brepeat;    char substr;    for(i = j = 0; ; i++) {        if(s[i] != ’ ’ && s[i] != ’\t’ && s[i] != 0)            substr[j++] = s[i];        else {            substr[j] = 0;            brepeat = 1;            for(j = 0; j 《 4; j++) {                hvalue = hashfuc(substr, j) & 0X7F;                if((m[hvalue》》3] & mask[hvalue&7]) == 0) {                    m[hvalue》》3] |= mask[hvalue&7];                    brepeat = 0;                }            }            // 如果是重复子串             if(brepeat == 1) {                j = strlen(substr);                strncpy(s+i-j, s+i+1, strlen(s)-i);                //printf(“有重复子串%s, 去重后是%s\n“, substr, s);                i = i - j - 1;            }            if(s[i] == 0) break;            j = 0;        }    }}int main(){    char s1, s2, substr;    int i, j, hvalue;    unsigned char m1={0}, m2={0}, m3;    printf(“First string\n“);    gets(s1);    printf(“Second string\n“);    gets(s2);    bloomfilter(m1, s1);    bloomfilter(m2, s2);    // 求两个位数组的交集，子串能够映射到交集说明是相同的子串     for(i = 0; i 《 16; i ++) {        m3[i] = m1[i] & m2[i];        //printf(“%02x %02x %02x\n“, m1[i], m2[i], m3[i]);    }    printf(“\n相同的子串有：“);    j = 0;    // 只需要对一个字符串进行映射，只要能映射到交集的就是子串     for(i = 0; ; i++) {        if(s1[i] != ’ ’ && s1[i] != ’\t’ && s1[i] != 0)            substr[j++] = s1[i];        else {            substr[j] = 0;            for(j = 0; j 《 4; j++) {                hvalue = hashfuc(substr, j) & 0X7F;                if((m3[hvalue》》3] & mask[hvalue&7]) == 0) break;            }            if(j == 4) printf(“%s “, substr);            if(s1[i] == 0) break;            j = 0;        }    }    printf(“\n“);}

scrapy的dupefilter和bloomfilter有什么区别

使用scrapy-redis后，过滤重复的request不能使用原来scrapy的过去组件，要scrapy-redis的，在settings.py上配置DUPEFILTER_CLASS = “scrapy_redis.dupefilter.RFPDupeFilter“ 可以查看文档!

元素