标签：bf int 元素 Redis 布隆 过滤器 total BloomFilter
【随笔记】Redis（三）布隆过滤器BloomFilter
由简入繁，水滴石穿。
BloomFilter
它是一个很长的二进制向量和一系列随机映射函数，主要用于检索一个元素是否在一个集合内。优点很明显，就是空间效率和查询时间都比其他的算法快，缺点同样明显，就是有误识别率和删除困难。
例如：当一个元素X{a,b,c,d,e}加入集合，每个元素通过K各Hash函数将这个元素映射成一个阵列（Bit array）中的K个点，并把他们置为1.检索的时候我们只需要看这些K点是不是都等于1就可以知道集合中有没有这个元素了。如果这些K点的任何一个是0，那么这个被检索的元素一定不在，如果都是1，则元素可能在。
从上面的例子可以看出，BloomFilter能判断出f可能存在，但是无法判断出f一定存在，这就是误识别率；
但是很多时候我们在实际使用中，不需要知道这个元素一定存在，更多的是需要判断出这个元素一定不在，例如防止雪崩这件事，就是需要判断出g一定不在。
BloomFilter 的缺点
就像上面的例子一样，之所以能再去时间上和空间上效率特别高，它牺牲的是准确性和删除的便利性。
- 误判：就像上面例子中f元素一样，他的几个K值位置都是1，所以就会误判存在。
- 删除困难：一个放入容器的元素映射到bit数组的K个位置上是1，删除的时候不能简单的直接置为0，因为还有其他的元素。
guava实现布隆过滤器
- 引入Guava包
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>23.0</version>
</dependency>
- 用例
public class TestBloomFilter {
private static int total = 1000000;
private static BloomFilter<Integer> bf = BloomFilter.create(Funnels.integerFunnel(), total);
public static void main(String[] args) {
// 初始化1000000条数据到过滤器中
for (int i = 0; i < total; i++) {
bf.put(i);
}
// 匹配已在过滤器中的值，是否有匹配不上的
for (int i = 0; i < total; i++) {
if (!bf.mightContain(i)) {
System.out.println("有坏人逃脱了~~~");
}
}
// 匹配不在过滤器中的10000个值，有多少匹配出来
int count = 0;
for (int i = total; i < total + 10000; i++) {
if (bf.mightContain(i)) {
count++;
}
}
System.out.println("误伤的数量：" + count);
}
}
错误率越大，所需要的空间和时间就越小，反之错误率越小，需要的空间和时间就越大。
所以BloomFilter的实现在于对错误率的容忍程度，可以在过滤一些非常规的请求，垃圾短信，垃圾邮件等场景使用。
标签：bf,int,元素,Redis,布隆,过滤器,total,BloomFilter 来源： https://blog.csdn.net/hao114500043/article/details/116496559
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。