实例学习Bloom Filter

0. 科普
1. 为什么需要Bloom Filter
2. 基本原理
3. 如何设计Bloom Filter
4. 实例操作
5. 扩展

0. 科普

Bloom Filter是由Bloom在1970年提出的一种多哈希函数映射的快速查找算法。通常应用在一些需要快速判断某个元素是否属于集合，但是并不严格要求100%正确的场合。

1. 为什么需要Bloom Filter

举例说明：假设有2000万个url，现在判断一个新的url是否在这2000万个之中。可以有的思路：

将访问过的URL保存到数据库。
用HashSet将访问过的URL保存起来。那只需接近O(1)的代价就可以查到一个URL是否被访问过了。
URL经过MD5等单向哈希后再保存到HashSet或数据库。
Bit-Map方法。建立一个BitSet，将每个URL经过一个哈希函数映射到某一位。

分析

思路1：当数据量很大时，查询数据库变得效率底下

思路2：太消耗内存，还得把字符串全部储存起来

思路3：字符串经过MD5处理后有128个bit,比思路2省了很多空间

思路4：一个字符串仅用一位来表示，比思路3还节省空间

当然前提是会出现误判（哈希后表示相同），为了继承这么好的思路，同时减少误判的情况，可以来个折衷：一个哈希函数生成一个位，用多个哈希函数生成多个位来存储一个字符串。这样比Bit-Map多用了些空间，但是减少了误判率。

2. 基本原理

这样把大量的字符串存起来。查找时，用同样的哈希处理待查串，如果对应的各位上都为1，说明该字符串可能在这些字符串中，否则一定不在其中。

3. 如何设计Bloom Filter

如何降低误判率是关键，这需要

选取区分度高的哈希函数
根据存储数组、哈希函数个数、误判率之间的关系，分配空间、个数

直接利用前人的结论：

其中f'是自己期望的误判率，m是总共开辟的存储空间位数，n是待存储字符串的个数，k是哈希函数的个数，f是真正的误判率。

4. 实例操作

需求：2000万个已知url，100个待查url

设计：

1. 设定误判率为0.1， n=2000万，计算

m = n * 1.44 * math.log(/f)/math.log()=

k = 0.693 * m / n=

f = ( - math.exp(- * k * n / m)) ** k = 0.00101298781512

哈希函数的选取看这里

参考代码(c++)

makefile

objects = main.o hash.o bloomfilter.o

main : $(objects)

    g++ -o main $(objects)

main.o : hash.h bloomfilter.h

bloomfilter.o : bloomfilter.h

hash.o : hash.h

clean:

    rm *.o main

main.cc

#include <iostream>

#include <fstream>

#include <sstream>

#include <cstring>

#include <string>

#include "bloomfilter.h"

using namespace std;

const int MAXSIZE = ;

int main(int argc, char **argv)

{

    char *poolfile = argv[];

    char *testfile = argv[];

    cout << poolfile << endl;

    ifstream fpool(poolfile);

    ifstream ftest(testfile);

    if(!fpool)

    {

        cout << "cannot open the file:" << poolfile << endl;

        return ;

    }

    if(!ftest)

    {

        cout << "cannot open the file:" << testfile << endl;

        return ;

    }

    BloomFilter bf(MAXSIZE);

    bf.setBit(fpool);

    cout << "Store OK" << endl;

    bf.checkBit(ftest);

    cout << "Check OK" << endl;

    fpool.close();

    ftest.close();

}

bloomfilter.h

#include <iostream>

#include <string>

#include <fstream>

#include <vector>

#include "hash.h"

using namespace std;

class BloomFilter

{

    public:

        BloomFilter(int size) : SIZE(size) { vec.resize(size); };

        void setBit(ifstream &f);

        void setBit(const string &s);

        void setBit(unsigned int count);

        bool checkBit(ifstream &f);

        bool checkBit(const string &s);

        bool checkBit(unsigned int count);

    private:

        vector<char> vec;

        const unsigned int SIZE;

};

bloomfilter.cc

#include "bloomfilter.h"

void BloomFilter::setBit(ifstream &f)

{

    string line;

    while(f >> line)

    {

        setBit(line);

    }

}

bool BloomFilter::checkBit(ifstream &f)

{

    string line;

    while(f >> line)

    {

        if(!checkBit(line))

            cout << line << endl;

    }

}

void BloomFilter::setBit(const string &s)

{

    unsigned int bitpos = ;

    const char *str = s.c_str();

    int len = s.size();

    bitpos = RSHash(str, len);

    setBit(bitpos);

    bitpos = JSHash(str, len);

    setBit(bitpos);

    bitpos = PJWHash(str, len);

    setBit(bitpos);

    bitpos = ELFHash(str, len);

    setBit(bitpos);

    bitpos = BKDRHash(str, len);

    setBit(bitpos);

    bitpos = SDBMHash(str, len);

    setBit(bitpos);

    bitpos = DJBHash(str, len);

    setBit(bitpos);

    bitpos = DEKHash(str, len);

    setBit(bitpos);

    bitpos = BPHash(str, len);

    setBit(bitpos);

    bitpos = FNVHash(str, len);

    setBit(bitpos);

}

bool BloomFilter::checkBit(const string &s)

{

    unsigned int bitpos = ;

    const char *str = s.c_str();

    int len = s.size();

    bool rev = true;

    bitpos = RSHash(str, len);

    rev &= checkBit(bitpos);

    bitpos = JSHash(str, len);

    rev &= checkBit(bitpos);

    bitpos = PJWHash(str, len);

    rev &= checkBit(bitpos);

    bitpos = ELFHash(str, len);

    rev &= checkBit(bitpos);

    bitpos = BKDRHash(str, len);

    rev &= checkBit(bitpos);

    bitpos = SDBMHash(str, len);

    rev &= checkBit(bitpos);

    bitpos = DJBHash(str, len);

    rev &= checkBit(bitpos);

    bitpos = DEKHash(str, len);

    rev &= checkBit(bitpos);

    bitpos = BPHash(str, len);

    rev &= checkBit(bitpos);

    bitpos = FNVHash(str, len);

    rev &= checkBit(bitpos);

    return rev;

}

void BloomFilter::setBit(unsigned int count)

{

    count = count % (SIZE * );

    vec[count / ] |= ( << (count % ));

}

bool BloomFilter::checkBit(unsigned int count)

{

    count = count % (SIZE * );

    return vec[count / ] &= ( << (count % ));

}

hash.h

unsigned int RSHash(const char* str, unsigned int len);

unsigned int JSHash(const char* str, unsigned int len);

unsigned int PJWHash(const char* str, unsigned int len);

unsigned int ELFHash(const char* str, unsigned int len);

unsigned int BKDRHash(const char* str, unsigned int len);

unsigned int SDBMHash(const char* str, unsigned int len);

unsigned int DJBHash(const char* str, unsigned int len);

unsigned int DEKHash(const char* str, unsigned int len);

unsigned int BPHash(const char* str, unsigned int len);

unsigned int FNVHash(const char* str, unsigned int len);

hash.cc

#include "hash.h"

unsigned int RSHash(const char* str, unsigned int len)

{

   unsigned int b = ;

   unsigned int a = ;

   unsigned int hash = ;

   unsigned int i = ;

   for(i=; i<len; str++, i++)

   {

      hash = hash*a + (*str);

      a = a*b;

   }

   return hash;

}

/* End Of RS Hash Function */

unsigned int JSHash(const char* str, unsigned int len)

{

   unsigned int hash = ;

   unsigned int i    = ;

   for(i=; i<len; str++, i++)

   {

      hash ^= ((hash<<) + (*str) + (hash>>));

   }

   return hash;

}

/* End Of JS Hash Function */

unsigned int PJWHash(const char* str, unsigned int len)

{

   const unsigned int BitsInUnsignedInt = (unsigned int)(sizeof(unsigned int) * );

   const unsigned int ThreeQuarters = (unsigned int)((BitsInUnsignedInt  * ) / );

   const unsigned int OneEighth = (unsigned int)(BitsInUnsignedInt / );

   const unsigned int HighBits = (unsigned int)(0xFFFFFFFF) << (BitsInUnsignedInt - OneEighth);

   unsigned int hash = ;

   unsigned int test = ;

   unsigned int i = ;

   for(i=;i<len; str++, i++)

   {

      hash = (hash<<OneEighth) + (*str);

      if((test = hash & HighBits)  != )

      {

         hash = ((hash ^(test >> ThreeQuarters)) & (~HighBits));

      }

   }

   return hash;

}

/* End Of  P. J. Weinberger Hash Function */

unsigned int ELFHash(const char* str, unsigned int len)

{

   unsigned int hash = ;

   unsigned int x    = ;

   unsigned int i    = ;

   for(i = ; i < len; str++, i++)

   {

      hash = (hash << ) + (*str);

      if((x = hash & 0xF0000000L) != )

      {

         hash ^= (x >> );

      }

      hash &= ~x;

   }

   return hash;

}

/* End Of ELF Hash Function */

unsigned int BKDRHash(const char* str, unsigned int len)

{

   unsigned int seed = ; /* 31 131 1313 13131 131313 etc.. */

   unsigned int hash = ;

   unsigned int i    = ;

   for(i = ; i < len; str++, i++)

   {

      hash = (hash * seed) + (*str);

   }

   return hash;

}

/* End Of BKDR Hash Function */

unsigned int SDBMHash(const char* str, unsigned int len)

{

   unsigned int hash = ;

   unsigned int i    = ;

   for(i = ; i < len; str++, i++)

   {

      hash = (*str) + (hash << ) + (hash << ) - hash;

   }

   return hash;

}

/* End Of SDBM Hash Function */

unsigned int DJBHash(const char* str, unsigned int len)

{

   unsigned int hash = ;

   unsigned int i    = ;

   for(i = ; i < len; str++, i++)

   {

      hash = ((hash << ) + hash) + (*str);

   }

   return hash;

}

/* End Of DJB Hash Function */

unsigned int DEKHash(const char* str, unsigned int len)

{

   unsigned int hash = len;

   unsigned int i    = ;

   for(i = ; i < len; str++, i++)

   {

      hash = ((hash << ) ^ (hash >> )) ^ (*str);

   }

   return hash;

}

/* End Of DEK Hash Function */

unsigned int BPHash(const char* str, unsigned int len)

{

   unsigned int hash = ;

   unsigned int i    = ;

   for(i = ; i < len; str++, i++)

   {

      hash = hash <<  ^ (*str);

   }

   return hash;

}

/* End Of BP Hash Function */

unsigned int FNVHash(const char* str, unsigned int len)

{

   const unsigned int fnv_prime = 0x811C9DC5;

   unsigned int hash      = ;

   unsigned int i         = ;

   for(i = ; i < len; str++, i++)

   {

      hash *= fnv_prime;

      hash ^= (*str);

   }

   return hash;

}

/* End Of FNV Hash Function */

数据下载：http://pan.baidu.com/s/1hqBTks0

Github 地址：https://github.com/jihite/Bloom-Filter

5. 扩展

如何删除存储数组中的元素？

思路：把存储数组的每一个元素扩展一下（原来是1b）用来存储该位置被置1的次数。存储是，计数次数加一；删除的时候，计数次数减一。

实例学习Bloom Filter的更多相关文章

Bloom Filter：海量数据的HashSet
Bloom Filter一般用于数据的去重计算,近似于HashSet的功能:但是不同于Bitmap(用于精确计算),其为一种估算的数据结构,存在误判(false positive)的情况. 1. 基本 ...
探索C#之布隆过滤器(Bloom filter)
阅读目录: 背景介绍算法原理误判率 BF改进总结背景介绍 Bloom filter(后面简称BF)是Bloom在1970年提出的二进制向量数据结构.通俗来说就是在大数据集合下高效判断某个成员是 ...
Bloom Filter 布隆过滤器
Bloom Filter 是由伯顿.布隆(Burton Bloom)在1970年提出的一种多hash函数映射的快速查找算法.它实际上是一个很长的二进制向量和一些列随机映射函数.应用在数据量很大的情况下 ...
Bloom Filter学习
参考文献: Bloom Filters - the math http://pages.cs.wisc.edu/~cao/papers/summary-cache/node8.html B ...
【转】探索C#之布隆过滤器(Bloom filter)
原文:蘑菇先生,http://www.cnblogs.com/mushroom/p/4556801.html 背景介绍 Bloom filter(后面简称BF)是Bloom在1970年提出的二进制向量 ...
bloom filter
Bloom filter 是由 Howard Bloom 在 1970 年提出的二进制向量数据结构,它具有很好的空间和时间效率,被用来检测一个元素是不是集合中的一个成员. 结构二进制召回率 ...
Bloom Filter 概念和原理
Bloom filter 是由 Howard Bloom 在 1970 年提出的二进制向量数据结构,它具有很好的空间和时间效率,被用来检测一个元素是不是集合中的一个成员.如果检测结果为是,该元素不一定 ...
【转】Bloom Filter布隆过滤器的概念和原理
转自:http://blog.csdn.net/jiaomeng/article/details/1495500 之前看数学之美丽,里面有提到布隆过滤器的过滤垃圾邮件,感觉到何其的牛,竟然有这么高效的 ...
[爬虫学习笔记]基于Bloom Filter的url去重模块UrlSeen
Url Seen用来做url去重.对于一个大的爬虫系统,它可能已经有百亿或者千亿的url,新来一个url如何能快速的判断url是否已经出现过非常关键.因为大的爬虫系统可能一秒钟就会下载 ...

随机推荐

Sublime Text博客插件 --- iblog
iblog是一款 sublime 博客插件,目前只支持cnblog. 项目地址:https://github.com/iskeeter/iblog 功能介绍新建和更新cnblog的博客支持mark ...
select * from table where 1=1
转自:http://www.dzwebs.net/2418.html 我们先来看看这个语句的结果:select * from table where 1=1,其中where 1=1,由于1=1永远是成 ...
php发送get、post请求的几种方法
方法1: 用file_get_contents 以get方式获取内容 <?php $url='http://www.domain.com/'; $html = file_get_contents ...
Ext学习-高级组件介绍
在这一部分的学习中,主要是学习一些比较特殊的组件. 1.图表 2.日历 3.颜色,日期,时间的选择器 4.滑动条 5.各种工具类参考文档:http://docs.sencha.com/extjs/4 ...
【转载】hadoop的版本问题
免责声明: 本文转自网络文章,转载此文章仅为个人收藏,分享知识,如有侵权,请联系博主进行删除. 原文作者:阿笨猫原文地址:http://www.cnblogs.com/xu ...
VIM配置自动提示功能
问题描述: 使用VIM作为Linux下的IDE,但是VIM默认情况下不支持自动代码提示功能,因此希望安装插件实现自动提示功能,目前找到的自动提示工具,非常好用 ...
【BZOJ】【1013】【JSOI2008】球形空间产生器sphere
高斯消元高斯消元模板题 /************************************************************** Problem: 1013 User: Tun ...
Matlab中min/max函数的误解
1.C= min(a):返回最小值:我原来以为如果a是行向量,min(a)返回a本身,因为我记得min(a,1)是按列找最小,这是默认的.doc min发现,只要a是向量,那么返回最小值. 2.C= ...
PE工具
PE编辑工具 Stud_PE v. 2.4.0.1 PE工具,用来学习PE格式十分方便. http://www.cgsoftlabs.ro/ 汉化版:http://bbs.pediy.com/show ...
uva 10269 最短路
求两次最短路 #include <cstdio> #include <cstdlib> #include <cmath> #include <map> ...

实例学习Bloom Filter

实例学习Bloom Filter的更多相关文章

随机推荐

热门专题