布隆過濾器 (Bloom Filter)是由Burton Howard Bloom于1970年提出，它是一種space efficient的概率型數(shù)據(jù)結(jié)構(gòu)，用于判斷一個(gè)元素是否在集合中。在垃圾郵件過濾的黑白名單方法、爬蟲(Crawler)的網(wǎng)址判重模塊中等等經(jīng)常被用到。哈希表也能用于判斷元素是否在集合中，但是布隆過濾器只需要哈希表的1/8或1/4的空間復(fù)雜度就能完成同樣的問題。布隆過濾器可以插入元素，但不可以刪除已有元素。其中的元素越多，false positive rate(誤報(bào)率)越大，但是false negative (漏報(bào))是不可能的。

本文將詳解布隆過濾器的相關(guān)算法和參數(shù)設(shè)計(jì)，在此之前希望大家可以先通過谷歌黑板報(bào)的 數(shù)學(xué)之美系列二十一 － 布隆過濾器（Bloom Filter） 來得到些基礎(chǔ)知識(shí)。

一. 算法描述

一個(gè)empty bloom filter是一個(gè)有m bits的bit array，每一個(gè)bit位都初始化為0。并且定義有k個(gè)不同的hash function，每個(gè)都以u(píng)niform random distribution將元素hash到m個(gè)不同位置中的一個(gè)。在下面的介紹中n為元素?cái)?shù)，m為布隆過濾器或哈希表的slot數(shù)，k為布隆過濾器重hash function數(shù)。

為了add一個(gè)元素，用k個(gè)hash function將它hash得到bloom filter中k個(gè)bit位，將這k個(gè)bit位置1。

為了query一個(gè)元素，即判斷它是否在集合中，用k個(gè)hash function將它hash得到k個(gè)bit位。若這k bits全為1，則此元素在集合中；若其中任一位不為1，則此元素比不在集合中（因?yàn)槿绻冢瑒t在add時(shí)已經(jīng)把對應(yīng)的k個(gè)bits位置為1）。

不允許remove元素，因?yàn)槟菢拥脑挄?huì)把相應(yīng)的k個(gè)bits位置為0，而其中很有可能有其他元素對應(yīng)的位。因此remove會(huì)引入false negative，這是絕對不被允許的。

當(dāng)k很大時(shí)，設(shè)計(jì)k個(gè)獨(dú)立的hash function是不現(xiàn)實(shí)并且困難的。對于一個(gè)輸出范圍很大的hash function（例如MD5產(chǎn)生的128 bits數(shù)），如果不同bit位的相關(guān)性很小，則可把此輸出分割為k份。或者可將k個(gè)不同的初始值（例如0,1,2, … ,k-1）結(jié)合元素，feed給一個(gè)hash function從而產(chǎn)生k個(gè)不同的數(shù)。

當(dāng)add的元素過多時(shí)，即n/m過大時(shí)（n是元素?cái)?shù)，m是bloom filter的bits數(shù)），會(huì)導(dǎo)致false positive過高，此時(shí)就需要重新組建filter，但這種情況相對少見。

二. 時(shí)間和空間上的優(yōu)勢

當(dāng)可以承受一些誤報(bào)時(shí)，布隆過濾器比其它表示集合的數(shù)據(jù)結(jié)構(gòu)有著很大的空間優(yōu)勢。例如self-balance BST, tries, hash table或者array, chain，它們中大多數(shù)至少都要存儲(chǔ)元素本身，對于小整數(shù)需要少量的bits，對于字符串則需要任意多的bits（tries是個(gè)例外，因?yàn)閷τ谟邢嗤琾refixes的元素可以共享存儲(chǔ)空間）；而chain結(jié)構(gòu)還需要為存儲(chǔ)指針付出額外的代價(jià)。對于一個(gè)有1%誤報(bào)率和一個(gè)最優(yōu)k值的布隆過濾器來說，無論元素的類型及大小，每個(gè)元素只需要9.6 bits來存儲(chǔ)。這個(gè)優(yōu)點(diǎn)一部分繼承自array的緊湊性，一部分來源于它的概率性。如果你認(rèn)為1%的誤報(bào)率太高，那么對每個(gè)元素每增加4.8 bits，我們就可將誤報(bào)率降低為原來的1/10。add和query的時(shí)間復(fù)雜度都為O(k)，與集合中元素的多少無關(guān)，這是其他數(shù)據(jù)結(jié)構(gòu)都不能完成的。

如果可能元素范圍不是很大，并且大多數(shù)都在集合中，則使用確定性的bit array遠(yuǎn)遠(yuǎn)勝過使用布隆過濾器。因?yàn)閎it array對于每個(gè)可能的元素空間上只需要1 bit，add和query的時(shí)間復(fù)雜度只有O(1)。注意到這樣一個(gè)哈希表（bit array）只有在忽略collision并且只存儲(chǔ)元素是否在其中的二進(jìn)制信息時(shí)，才會(huì)獲得空間和時(shí)間上的優(yōu)勢，而在此情況下，它就有效地稱為了k=1的布隆過濾器。

而當(dāng)考慮到collision時(shí)，對于有m個(gè)slot的bit array或者其他哈希表（即k=1的布隆過濾器），如果想要保證1%的誤判率，則這個(gè)bit array只能存儲(chǔ)m/100個(gè)元素，因而有大量的空間被浪費(fèi)，同時(shí)也會(huì)使得空間復(fù)雜度急劇上升，這顯然不是space efficient的。解決的方法很簡單，使用k>1的布隆過濾器，即k個(gè)hash function將每個(gè)元素改為對應(yīng)于k個(gè)bits，因?yàn)檎`判度會(huì)降低很多，并且如果參數(shù)k和m選取得好，一半的m可被置為為1，這充分說明了布隆過濾器的space efficient性。

三. 舉例說明

以垃圾郵件過濾中黑白名單為例：現(xiàn)有1億個(gè)email的黑名單，每個(gè)都擁有8 bytes的指紋信息，則可能的元素范圍為 ，對于bit array來說是根本不可能的范圍，而且元素的數(shù)量（即email列表）為 ，相比于元素范圍過于稀疏，而且還沒有考慮到哈希表中的collision問題。

若采用哈希表，由于大多數(shù)采用open addressing來解決collision，而此時(shí)的search時(shí)間復(fù)雜度為 ：

即若哈希表半滿(n/m = 1/2)，則每次search需要probe 2次，因此在保證效率的情況下哈希表的存儲(chǔ)效率最好不超過50%。此時(shí)每個(gè)元素占8 bytes，總空間為：

若采用Perfect hashing（這里可以采用Perfect hashing是因?yàn)橹饕僮魇莝earch/query，而并不是add和remove），雖然保證worst-case也只有一次probe，但是空間利用率更低，一般情況下為50%，worst-case時(shí)有不到一半的概率為25%。

若采用布隆過濾器，取k=8。因?yàn)閚為1億，所以總共需要 被置位為1，又因?yàn)樵诒ＷC誤判率低且k和m選取合適時(shí)，空間利用率為50%（后面會(huì)解釋），所以總空間為：

所需空間比上述哈希結(jié)構(gòu)小得多，并且誤判率在萬分之一以下。

四. 誤判概率的證明和計(jì)算

假設(shè)布隆過濾器中的hash function滿足simple uniform hashing假設(shè)：每個(gè)元素都等概率地hash到m個(gè)slot中的任何一個(gè)，與其它元素被hash到哪個(gè)slot無關(guān)。若m為bit數(shù)，則對某一特定bit位在一個(gè)元素由某特定hash function插入時(shí)沒有被置位為1的概率為：

則k個(gè)hash function中沒有一個(gè)對其置位的概率為：

如果插入了n個(gè)元素，但都未將其置位的概率為：

則此位被置位的概率為：

現(xiàn)在考慮query階段，若對應(yīng)某個(gè)待query元素的k bits全部置位為1，則可判定其在集合中。因此將某元素誤判的概率為：

由于 ，并且 當(dāng)m很大時(shí)趨近于0，所以

從上式中可以看出，當(dāng)m增大或n減小時(shí)，都會(huì)使得誤判率減小，這也符合直覺。

現(xiàn)在計(jì)算對于給定的m和n，k為何值時(shí)可以使得誤判率最低。設(shè)誤判率為k的函數(shù)為：

設(shè) ， 則簡化為

，兩邊取對數(shù)

, 兩邊對k求導(dǎo)

下面求最值

因此，即當(dāng) 時(shí)誤判率最低，此時(shí)誤判率為：

可以看出若要使得誤判率≤1/2，則：

這說明了若想保持某固定誤判率不變，布隆過濾器的bit數(shù)m與被add的元素?cái)?shù)n應(yīng)該是線性同步增加的。

五. 設(shè)計(jì)和應(yīng)用布隆過濾器的方法

應(yīng)用時(shí)首先要先由用戶決定要add的元素?cái)?shù)n和希望的誤差率P。這也是一個(gè)設(shè)計(jì)完整的布隆過濾器需要用戶輸入的僅有的兩個(gè)參數(shù)，之后的所有參數(shù)將由系統(tǒng)計(jì)算，并由此建立布隆過濾器。

系統(tǒng)首先要計(jì)算需要的內(nèi)存大小m bits:

再由m，n得到hash function的個(gè)數(shù)：

至此系統(tǒng)所需的參數(shù)已經(jīng)備齊，接下來add n個(gè)元素至布隆過濾器中，再進(jìn)行query。

根據(jù)公式，當(dāng)k最優(yōu)時(shí)：

因此可驗(yàn)證當(dāng)P=1%時(shí)，存儲(chǔ)每個(gè)元素需要9.6 bits：

而每當(dāng)想將誤判率降低為原來的1/10，則存儲(chǔ)每個(gè)元素需要增加4.8 bits：

這里需要特別注意的是，9.6 bits/element不僅包含了被置為1的k位，還把包含了沒有被置為1的一些位數(shù)。此時(shí)的

才是每個(gè)元素對應(yīng)的為1的bit位數(shù)。

從而使得P(error)最小時(shí)，我們注意到：

中的 ，即

此概率為某bit位在插入n個(gè)元素后未被置位的概率。因此，想保持錯(cuò)誤率低，布隆過濾器的空間使用率需為50%。

如果您滿意我的博客，請點(diǎn)擊“ 訂閱Allen Sun的技術(shù)博客 ”即可訂閱，謝謝:)

原創(chuàng)文章屬于 Allen Sun
歡迎轉(zhuǎn)載，但請注明文章作者 Allen Sun 和鏈接