【布隆過濾器】基於Hutool庫實現的布隆過濾器Demo

 

布隆過濾器出現的背景：

　　如果想判斷一個元素是不是在一個集合里，一般想到的是將集合中所有元素保存起來，然后通過比較確定。鏈表、樹、散列表（又叫哈希表，Hash table）等等數據結構都是這種思路，存儲位置要么是磁盤，要么是內存。很多時候要么是以時間換空間，要么是以空間換時間。

　　在響應時間要求比較嚴格的情況下，如果我們存在內里，那么隨着集合中元素的增加，我們需要的存儲空間越來越大，以及檢索的時間越來越長，導致內存開銷太大、時間效率變低。

 布隆過濾器的特點：

　　此時需要考慮解決的問題就是，在數據量比較大的情況下，既滿足時間要求，又滿足空間的要求。即我們需要一個時間和空間消耗都比較小的數據結構和算法。Bloom Filter就是一種解決方案。

　　布隆過濾器（英語：Bloom Filter）是1970年由布隆提出的。它實際上是一個很長的二進制向量和一系列隨機映射函數。布隆過濾器可以用於檢索一個元素是否在一個集合中。它的優點是空間效率和查詢時間都遠遠超過一般的算法，缺點是有一定的誤識別率和刪除困難。

　　布隆過濾器的原理是，當一個元素被加入集合時，通過K個散列函數將這個元素映射成一個位數組中的K個點，把它們置為1。檢索時，我們只要看看這些點是不是都是1就（大約）知道集合中有沒有它了：如果這些點有任何一個0，則被檢元素一定不在；如果都是1，則被檢元素很可能在。這就是布隆過濾器的基本思想。

 

 

Bloom Filter的缺點

 

bloom filter之所以能做到在時間和空間上的效率比較高，是因為犧牲了判斷的准確率、刪除的便利性

• 存在誤判，可能要查到的元素並沒有在容器中，但是hash之后得到的k個位置上值都是1。如果bloom filter中存儲的是黑名單，那么可以通過建立一個白名單來存儲可能會誤判的元素。

• 刪除困難。一個放入容器的元素映射到bit數組的k個位置上是1，刪除的時候不能簡單的直接置為0，可能會影響其他元素的判斷。可以采用Counting Bloom Filter

 

 

參考：https://www.cnblogs.com/z941030/p/9218356.html

 

// 初始化 注意 構造方法的參數大小10 決定了布隆過濾器BitMap的大小
BitMapBloomFilter filter = new BitMapBloomFilter(10);

filter.add("123");

filter.add("abc");

filter.add("ddd");

// 查找
filter.contains("abc")