BloomFilter–大规模数据处理利器(解决空查问题)寻找共同的URL
寻找共同的URL给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？原文 BloomFilter–大规模数据处理利器 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。 一.?实例为了说明存在的重要意义，举一个实例： 假设要你写一个网络爬虫程序（web crawler）。由于网络间的链接错综复杂，爬虫在网络间爬行很可能会形成“环”。为了避免形成，就需要知道爬虫程序已经访问过那些URL。给一个，怎样知道爬虫程序是否已经访问过呢？稍微想想，就会有如下几种方案： 1.?将访问过的保存到数据库。 2.?用HashSet保存起来。那只需接近O(1)的代价就可以查到一个是否被访问过了。 3. URL经过MD5或SHA-1等单向哈希后再保存到或数据库。 4. Bit-Map方法。建立一个BitSet，将每个经过一个哈希函数映射到某一位。 方法1~3都是将访问过的完整保存，方法4则只标记的一个映射位。 以上方法在数据量较小的情况下都能完美解决问题，但是当数据量变得非常庞大时问题就来了。 1的缺点：数据量变得非常庞大后关系型数据库查询的效率会变得很低。而且每来一个就启动一次数据库查询是不是太小题大做了？ 2的缺点：太消耗内存。随着的增多，占用的内存会越来越多。就算只有亿个URL，每个URL只算50个字符，就需要5GB内存。 3：由于字符串经过处理后的信息摘要长度只有128Bit，SHA-1处理后也只有160Bit，因此方法比方法节省了好几倍的内存。 消耗内存是相对较少的，但缺点是单一哈希函数发生冲突的概率太高。还记得数据结构课上学过的Hash表冲突的各种解决方法么？若要降低冲突发生的概率到1%，就要将BitSet的长度设置为URL个数的100倍。 二. Bloom Filter的算法???废话说到这里，下面引入本篇的主角–Bloom Filter。其实上面方法的思想已经很接近了。方法四的致命缺点是冲突概率高，为了降低冲突的概念，使用了多个哈希函数，而不是一个。 ?? Bloom Filter算法如下： 创建一个m位，先将所有位初始化为0，然后选择k个不同的哈希函数。第i个哈希函数对字符串str哈希的结果记为h（i，str），且）的范围是0到m-1?。 (1)?加入字符串过程 下面是每个字符串处理的过程，首先是将字符串str“记录”到中的过程： 对于字符串，分别计算h（1，），h（2，）…… h（k，）。然后将的第）、）位设为1。 ? 很简单吧？这样就将字符串str映射到中的个二进制位了。 (2)?检查字符串是否存在的过程 下面是检查字符串str是否被记录过的过程： ）。然后检查BitSet）位是否为，若其中任何一位不为则可以判定一定没有被记录过。若全部位都是，则“认为”字符串str存在。 若一个字符串对应的Bit不全为，则可以肯定该字符串一定没有被记录过。（这是显然的，因为字符串被记录过，其对应的二进制位肯定全部被设为了） 但是若一个字符串对应的Bit全为，实际上是不能的肯定该字符串被记录过的。（因为有可能该字符串的所有位都刚好是被其他字符串所对应）这种将该字符串划分错的情况，称为false positive?(3)?删除字符串过程 字符串加入了就被不能删除了，因为删除会影响到其他字符串。实在需要删除字符串的可以使用Counting bloomfilter(CBF)，这是一种基本的变体，CBF将基本每一个Bit改为一个计数器，这样就可以实现删除字符串的功能了。 跟单哈希函数Bit-Map不同之处在于：使用了个哈希函数，每个字符串跟k个bit对应。从而降低了冲突的概率。 三参数选择?(1)哈希函数选择 哈希函数的选择对性能的影响应该是很大的，一个好的哈希函数要能近似等概率的将字符串映射到各个Bit。选择个不同的哈希函数比较麻烦，一种简单的方法是选择一个哈希函数，然后送入个不同的参数。 (2) m,n,k值，我们如何取值 我们定义： 可能把不属于这个集合的元素误认为属于这个集合（False Positive） 不会把属于这个集合的元素误认为不属于这个集合（False Negative）。 ? 哈希函数的个数k、位数组大小m、加入的字符串数量n的关系。哈希函数个数k取10，位数组大小m设为字符串个数n的20倍时，false positive发生的概率是0.0000889?，即10万次的判断中，会存在9次误判，对于一天亿次的查询，误判的次数为9000次。? 算法分析： 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,…,0)">n}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： False Positive的概率是： p’表示的概率,k次方表示8次hash都为的概率。 ?当?k = ln 2 * m/n 时，右边的等式值最小，此时等式转变成: ? ?四实现代码（简易版） ?? 下面给出一个简单的的Java实现代码： package org.magnus.utils;
import java.util.BitSet;
//传统的Bloom filter 不支持从集合中删除成员。
//Counting Bloom filter由于采用了计数，因此支持remove操作。
//基于BitSet来实现，性能上可能存在问题
public class SimpleBloomFilter {
//DEFAULT_SIZE为2的25次方
private static final int DEFAULT_SIZE = 2 << 24;
/* 不同哈希函数的种子，一般应取质数,seeds数据共有7个值，则代表采用7种不同的HASH算法 */
private static final int[] seeds = new int[] { 5,7,11,13,31,37,61 };
//BitSet实际是由“二进制位”构成的一个Vector。假如希望高效率地保存大量“开－关”信息，就应使用BitSet.
//BitSet的最小长度是一个长整数（Long）的长度：64位
private BitSet bits = new BitSet(DEFAULT_SIZE);
/* 哈希函数对象 */
private SimpleHash[] func = new SimpleHash[seeds.length];
public static void main(String[] args) {
String value = "stone2083@yahoo.cn";
//定义一个filter，定义的时候会调用构造函数，即初始化七个hash函数对象所需要的信息。
SimpleBloomFilter filter = new SimpleBloomFilter();
//判断是否包含在里面。因为没有调用add方法，所以肯定是返回false
System.out.println(filter.contains(value));
filter.add(value);
System.out.println(filter.contains(value));
}
//构造函数
public SimpleBloomFilter() {
for (int i = 0; i < seeds.length; i++) {
//给出所有的hash值，共计seeds.length个hash值。共7位。
//通过调用SimpleHash.hash(),可以得到根据7种hash函数计算得出的hash值。
//传入DEFAULT_SIZE(最终字符串的长度），seeds[i](一个指定的质数)即可得到需要的那个hash值的位置。
func[i] = new SimpleHash(DEFAULT_SIZE,seeds[i]);
}
}
// 将字符串标记到bits中，即设置字符串的7个hash值函数为1
public void add(String value) {
for (SimpleHash f : func) {
bits.set(f.hash(value),true);
}
}
//判断字符串是否已经被bits标记
public boolean contains(String value) {
//确保传入的不是空值
if (value == null) {
return false;
}
boolean ret = true;
//计算7种hash算法下各自对应的hash值，并判断
for (SimpleHash f : func) {
//&&是boolen运算符，只要有一个为0，则为0。即需要所有的位都为1，才代表包含在里面。
//f.hash(value)返回hash对应的位数值
//bits.get函数返回bitset中对应position的值。即返回hash值是否为0或1。
ret = ret && bits.get(f.hash(value));
}
return ret;
}
/* 哈希函数类 */
public static class SimpleHash {
//cap为DEFAULT_SIZE的值，即用于结果的最大的字符串长度。
//seed为计算hash值的一个给定key，具体对应上面定义的seeds数组
private int cap;
private int seed;
public SimpleHash(int cap,int seed) {
this.cap = cap;
this.seed = seed;
}
//计算hash值的具体算法,hash函数，采用简单的加权和hash
public int hash(String value) {
//int的范围最大是2的31次方减1，或超过值则用负数来表示
int result = 0;
int len = value.length();
for (int i = 0; i < len; i++) {
//数字和字符串相加，字符串转换成为ASCII码
result = seed * result + value.charAt(i);
//System.out.println(result+"--"+seed+"*"+result+"+"+value.charAt(i));
}
// System.out.println("result="+result+";"+((cap - 1) & result));
// System.out.println(414356308*61+'h'); 执行此运算结果为负数，为什么？
//&是java中的位逻辑运算，用于过滤负数（负数与进算转换成反码进行）。
return (cap - 1) & result;
}
}
}
五：的优点及应用。1.2????优缺点分析 1.2.1????????优点：节约缓存空间（空值的映射），不再需要空值映射。 减少数据库或缓存的请求次数。 提升业务的处理效率以及业务隔离性。 ? 1.2.2缺点：存在误判的概率。 传统的不能作删除操作。 ? 1.3????使用场景?????????? 适用于特定场景，能够有效的解决数据库空查问题。 ?????????以公司的某小表查询为例，该表每天查询量20亿次左右，且数据库中存在大量的下面的空查: ???????? 目前表中的记录为8w,即n的值为，占用空间大小195KB。以type||CONTENT复合键作为key值，假设HASH次数取值为6,0)">误判率为:0.0303%(10000次中存在次误判)。HASH次数的最优解为14，当k=14时，误判率为：0.014%(100001-2)。 测试过程及结果如下（源代码见附件）：
?
? 其它测试略。 结论:
一次判断时间计算方式为：总时间/总次数 所需时间计算方式为：一次判定时间每次判断需要的数。 所需时间，当执行次数越少，基数越小，误差越大。当一次判断所需的次数越大时，一次时间越精确。 结论： m/n的比值越大越好，比较越大，误判率会越代，但同时会使用更多的空间成本。 ???????? Hash次数增加带来的收益并不大。需要在条件允许的情况下，尽量的扩大m/n的值。 ? 六：实施方案思考适用于一些黑名单垃圾邮件等的过滤。 当位数组较小时，可以作本地jvm缓存。 当位数组较大时，可以做基于tair的缓存，此时可能需要开辟单独的应用来提供查询支持。 此方案，适用的应用场景需要能够容忍，位数组和的延时。 参考1 wiki （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
