LevelDB 学习笔记1：布隆过滤器

LevelDB 学习笔记1：布隆过滤器

• 底层是位数组，初始都是 0
• 插入时，用 k 个哈希函数对插入的数字做哈希，并用位数组长度取余，将对应位置 1
• 查找时，做同样的哈希操作，查看这些位的值
  • 如果所有位都是 1，说明数字可能存在
  • 如果有某个位不是 1，说明数字一定不存在

数学结论

影响布隆过滤器精度的参数有

• 哈希函数的个数 k
• 布隆过滤器位数组的容量 m
• 布隆过滤器插入的数据数量 n

对于给定的 m 和 n，要想最小化错误率（假阳性），k 应该取

\[k=\frac{m}{n} \ln 2 \]

要求错误率不大于\(\varepsilon\)，k 取最优的情况下，m 应该至少为

\[m \geq - 1.44 \log _{2} \varepsilon * n \]

布隆过滤器的优缺点

优点

• 空间效率高，可以在使用有限内存的情况下处理海量数据
  • 1% 错误率并使用最佳 k 值的布隆过滤器，每个元素只需要使用约 9.6 位
• 插入和查询都是常数复杂度，即 O(k)

缺点

• 存在误判
• 删除元素困难，因为简单地将对应的位置 0 会影响其他元素的判断
  • 可以用一种叫 Counting Bloom filter 的变体

LevelDB 中的布隆过滤器

LevelDB 中利用布隆过滤器判断指定的 key 值是否存在于 sstable 中

• 若过滤器认为 key 不在 sstable 中，那么就没必要查找这个 sstable 了
• 否则，key 有可能在 sstable 中，应该做查找

使用布隆过滤器可以有效的减少调用 DB::Get() 时的访存次数，从而减小读放大

LevelDB 中布隆过滤器的实现是 BloomFilterPolicy，它是接口类 FilterPolicy 的实现

• FilterPolicy 类决定了查找过程中要不要读取某个 sstable
• 允许用户自定义 FilterPolicy 的子类来应用不同的过滤策略

LevelDB 实现时做了优化，它并不是使用 k 个哈希函数，而是应用 rsa2008 中提出的方法只生成一次哈希值，然后用 double-hashing 的方式生成一组哈希值

uint32_t h = BloomHash(keys[i]);
      const uint32_t delta = (h >> 17) | (h << 15);  // Rotate right 17 bits
      for (size_t j = 0; j < k_; j++) {
        const uint32_t bitpos = h % bits;
        array[bitpos / 8] |= (1 << (bitpos % 8));
        h += delta;
      }

一般实现布隆过滤器时，都会选择非加密哈希算法

• 加密哈希算法，比如 MD5、SHA1，安全性较高，难以找到碰撞或通过加密值反推原文
• 非加密哈希算法，比如 MurMurHash、CRC32、FNV，计算速度快
• LevelDB 实现了一个类似于 MurMurHash 的非加密哈希算法

其他应用场景

缓存穿透

做查询的时候，缓存没有命中，就会到数据库中去找，特别地，如果查找一个不存在的 key，那么是一定无法命中缓存，必须去查数据库的，如果有人恶意地使用大量请求来查不存在的 key，就会导致数据库压力过大，甚至崩溃，这种现象称为缓存穿透

用布隆过滤器我们可以直接将这些针对不存在的 key 发起的请求过滤掉