系统如何设计才能更快地查询到数据？

“开通微信时，系统如何判断你输入的手机号没被注册？如何使用更少的存储空间、更快的速度解决这个问题？”

对于这个问题，最暴力的方法为：
通过遍历来判断是否被注册。那么时间复杂度为O(n)，空间复杂度也是O(n)。

稍微学过算法的同学会说：
使用HashMap，时间复杂度瞬间降到O(1)。

精通算法的同学可能会说：
使用Bitmap，因为Bitmap只需要存储数据的状态信息（0和1），这样空间复杂度为O(max_value)。

下面问题又来了：

如果n=10亿，将会占据多少内存？

假设整数为64bit=8Byte，

Hashmap：10亿整数需要8G的内存

Bitmap:

虽然速度提上去了，内存占有量无法想象的…大！

那如何既保证查询效率，又保证低内存占用？

下面我们的主角闪亮登场——布隆过滤器。

Bloom过滤器（Bloom Filter）是由布隆（Burton Howard Bloom）在1970年提出的。

它实际上是由一个很长的二进制向量和一系列随机映射函数组成。

它的目标是——占用更小的空间的前提下，检索一个元素是否在一个集合中。

下面我从三个方面来介绍布隆过滤器：构造、检索、效果。

1.构造

构造主要包括以下三个步骤：

• 选择k个哈希函数

• 将待检索字符串分别做Hash映射

• 每个映射的值对应的bit数组置为“1”

我举一个简单的例子：
假设我们有3个哈希函数，有两个待检索字符串"jimboooo"和"luckyyyyy"。

对于字符串"jimboooo"，经过三个哈希函数映射后，将1,4,8的位置置为“1”。

同理，对于字符串“luckyyyyy"，我们经过哈希函数映射后，将位置2,4,7置为“1”。

那么，我们的布隆过滤器已经构造完毕了。

2.检索

• 将待检索的字符串通过k个哈希函数映射；

• 查看映射的整数对应的位置是否1，如果都为1，说明待检索字符串是存在的。

下图是我们构造过程得到的数组，如果要检索"jimbooo"，哈希映射后是2,4,7，这三个位置都为1，说明此字符串是存在的。如果要检索"fukuoka"，映射后是1,3,4，因为3的位置为0，很明显它是不存在的。

3.效果

布隆过滤器的原理已介绍完毕，看起来十分简单。那可能会出现什么问题呢？

如果要检索的字符串（原本不存在）映射后数组每个位置恰好都为1，那就出现了误判！

我们来通过公式了解下它的误判率、布隆过滤器长度以及哈希函数个数之间的关系吧。

先上公式（推理见附录）：
k 为哈希函数个数，m 为布隆过滤器长度，n 为插入的元素个数（待检索元素总数），p 为误报率，
当且仅当：

误报率p取得最优解：

根据公式就可以得到布隆过滤器的长度、误识率、待插入元素个数（待检索元素总数）的关系了。

如下图所示，x轴为m/n，含义为每个元素占有的bit数，y轴为误识率。

得出的结论是，对于一个拥有最优k值且误判率在1%的布隆过滤器，每个元素只需要9.6bits（与元素的大小无关）。若给每个元素增加4.8bits左右，误判率将会减少十倍。

可应用于很多方面：

1.网页爬虫对URL的去重

避免爬取相同的URL地址。

2.缓存击穿

将已存在的缓存放到布隆中，当黑客访问不存在的缓存时迅速返回避免缓存及DB挂掉。

3.HTTP缓存服务器

当本地局域网中的PC发起一条HTTP请求时，缓存服务器会先查看一下这个URL是否已经存在于缓存之中，如果存在的话就没有必要去原始的服务器拉取数据了(为了简单起见，我们假设数据没有发生变化)，这样既能节省流量，还能加快访问速度，以提高用户体验。

4.黑/白名单

类似反垃圾邮件。

布隆过滤器用于判断一个元素是否在一个集合中，不会有假负例（将在集合中的元素误判不在集合中），但会有一定的误识率（将不在集合中的元素误判为在集合中）。

方案对比结论：

1.公式推导

（1）k次哈希函数某一bit(长度为m）未被置为1的概率为：

（2）插入n个元素后依旧为 0 的概率和为 1 的概率分别是：

（3）k个位置均被设为1的概率：

2.如何让误识率降到最低？

3.哈希函数怎么设计？

要点：

• Independent 相互独立

• Uniformly distributed.离散型均匀分布（概率相同）

• They should also be as fast as possible. 要快

案例分享：

Chromium uses HashMix
python-bloomfilter uses cryptographic hashes（cryptographic hashes）
Plan9 uses a simple hash as proposed in Mitzenmacher 2005
Sdroege Bloom filter uses fnv1a (included just because I wanted to show one that uses fnv.)Squid uses MD5

4.参考文章

（1）布隆过滤器应用：

https://www.pdai.tech/md/algorithm/alg-domain-bigdata-bloom-filter.html

（2）Hash函数设计：

https://llimllib.github.io/bloomfilter-tutorial/

（3）函数推导参考：

 https://blog.csdn.net/quiet_girl/article/details/88523974

杭天梦

微信支付数据开发工程师

微信支付数据开发工程师。毕业于清华大学，硕士学位。2018年加入腾讯。现在从事大数据相关工作，现研究方向主要包括异动数据归因分析、多源数据策略选择、知识图谱实体对齐等。