实例学习Bloom Filter
0. 科普
1. 为什么需要Bloom Filter
2. 基本原理
3. 如何设计Bloom Filter
4. 实例操作
5. 扩展
0. 科普
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。
1. 为什么需要Bloom Filter
举例说明:假设有2000万个url,现在判断一个新的url是否在这2000万个之中。可以有的思路:
- 将访问过的URL保存到数据库。
- 用HashSet将访问过的URL保存起来。那只需接近O(1)的代价就可以查到一个URL是否被访问过了。
- URL经过MD5等单向哈希后再保存到HashSet或数据库。
- Bit-Map方法。建立一个BitSet,将每个URL经过一个哈希函数映射到某一位。
分析
思路1:当数据量很大时,查询数据库变得效率底下
思路2:太消耗内存,还得把字符串全部储存起来
思路3:字符串经过MD5处理后有128个bit,比思路2省了很多空间
思路4:一个字符串仅用一位来表示,比思路3还节省空间
当然前提是会出现误判(哈希后表示相同),为了继承这么好的思路,同时减少误判的情况,可以来个折衷:一个哈希函数生成一个位,用多个哈希函数生成多个位来存储一个字符串。这样比Bit-Map多用了些空间,但是减少了误判率。
2. 基本原理
这样把大量的字符串存起来。查找时,用同样的哈希处理待查串,如果对应的各位上都为1,说明该字符串可能在这些字符串中,否则一定不在其中。
3. 如何设计Bloom Filter
如何降低误判率是关键,这需要
- 选取区分度高的哈希函数
- 根据存储数组、哈希函数个数、误判率之间的关系,分配空间、个数
直接利用前人的结论:
其中f'是自己期望的误判率,m是总共开辟的存储空间位数,n是待存储字符串的个数,k是哈希函数的个数,f是真正的误判率。
4. 实例操作
需求:2000万个已知url,100个待查url
设计:
1. 设定误判率为0.1, n=2000万,计算
m = n * 1.44 * math.log(/f)/math.log()=
k = 0.693 * m / n=
f = ( - math.exp(- * k * n / m)) ** k = 0.00101298781512
哈希函数的选取看这里
参考代码(c++)
makefile
objects = main.o hash.o bloomfilter.o main : $(objects)
g++ -o main $(objects) main.o : hash.h bloomfilter.h
bloomfilter.o : bloomfilter.h
hash.o : hash.h clean:
rm *.o main
main.cc
#include <iostream>
#include <fstream>
#include <sstream>
#include <cstring>
#include <string>
#include "bloomfilter.h"
using namespace std; const int MAXSIZE = ;
int main(int argc, char **argv)
{
char *poolfile = argv[];
char *testfile = argv[];
cout << poolfile << endl;
ifstream fpool(poolfile);
ifstream ftest(testfile);
if(!fpool)
{
cout << "cannot open the file:" << poolfile << endl;
return ;
}
if(!ftest)
{
cout << "cannot open the file:" << testfile << endl;
return ;
}
BloomFilter bf(MAXSIZE);
bf.setBit(fpool);
cout << "Store OK" << endl;
bf.checkBit(ftest);
cout << "Check OK" << endl;
fpool.close();
ftest.close();
}
bloomfilter.h
#include <iostream>
#include <string>
#include <fstream>
#include <vector>
#include "hash.h"
using namespace std;
class BloomFilter
{
public:
BloomFilter(int size) : SIZE(size) { vec.resize(size); };
void setBit(ifstream &f);
void setBit(const string &s);
void setBit(unsigned int count); bool checkBit(ifstream &f);
bool checkBit(const string &s);
bool checkBit(unsigned int count);
private:
vector<char> vec;
const unsigned int SIZE;
};
bloomfilter.cc
#include "bloomfilter.h" void BloomFilter::setBit(ifstream &f)
{
string line;
while(f >> line)
{
setBit(line);
}
} bool BloomFilter::checkBit(ifstream &f)
{
string line;
while(f >> line)
{
if(!checkBit(line))
cout << line << endl;
}
} void BloomFilter::setBit(const string &s)
{
unsigned int bitpos = ;
const char *str = s.c_str();
int len = s.size(); bitpos = RSHash(str, len);
setBit(bitpos);
bitpos = JSHash(str, len);
setBit(bitpos);
bitpos = PJWHash(str, len);
setBit(bitpos);
bitpos = ELFHash(str, len);
setBit(bitpos);
bitpos = BKDRHash(str, len);
setBit(bitpos);
bitpos = SDBMHash(str, len);
setBit(bitpos);
bitpos = DJBHash(str, len);
setBit(bitpos);
bitpos = DEKHash(str, len);
setBit(bitpos);
bitpos = BPHash(str, len);
setBit(bitpos);
bitpos = FNVHash(str, len);
setBit(bitpos);
} bool BloomFilter::checkBit(const string &s)
{
unsigned int bitpos = ;
const char *str = s.c_str();
int len = s.size();
bool rev = true; bitpos = RSHash(str, len);
rev &= checkBit(bitpos);
bitpos = JSHash(str, len);
rev &= checkBit(bitpos);
bitpos = PJWHash(str, len);
rev &= checkBit(bitpos);
bitpos = ELFHash(str, len);
rev &= checkBit(bitpos);
bitpos = BKDRHash(str, len);
rev &= checkBit(bitpos);
bitpos = SDBMHash(str, len);
rev &= checkBit(bitpos);
bitpos = DJBHash(str, len);
rev &= checkBit(bitpos);
bitpos = DEKHash(str, len);
rev &= checkBit(bitpos);
bitpos = BPHash(str, len);
rev &= checkBit(bitpos);
bitpos = FNVHash(str, len);
rev &= checkBit(bitpos);
return rev;
} void BloomFilter::setBit(unsigned int count)
{
count = count % (SIZE * );
vec[count / ] |= ( << (count % ));
} bool BloomFilter::checkBit(unsigned int count)
{
count = count % (SIZE * );
return vec[count / ] &= ( << (count % ));
}
hash.h
unsigned int RSHash(const char* str, unsigned int len);
unsigned int JSHash(const char* str, unsigned int len);
unsigned int PJWHash(const char* str, unsigned int len);
unsigned int ELFHash(const char* str, unsigned int len);
unsigned int BKDRHash(const char* str, unsigned int len);
unsigned int SDBMHash(const char* str, unsigned int len);
unsigned int DJBHash(const char* str, unsigned int len);
unsigned int DEKHash(const char* str, unsigned int len);
unsigned int BPHash(const char* str, unsigned int len);
unsigned int FNVHash(const char* str, unsigned int len);
hash.cc
#include "hash.h"
unsigned int RSHash(const char* str, unsigned int len)
{
unsigned int b = ;
unsigned int a = ;
unsigned int hash = ;
unsigned int i = ; for(i=; i<len; str++, i++)
{
hash = hash*a + (*str);
a = a*b;
} return hash;
}
/* End Of RS Hash Function */ unsigned int JSHash(const char* str, unsigned int len)
{
unsigned int hash = ;
unsigned int i = ; for(i=; i<len; str++, i++)
{
hash ^= ((hash<<) + (*str) + (hash>>));
} return hash;
}
/* End Of JS Hash Function */ unsigned int PJWHash(const char* str, unsigned int len)
{
const unsigned int BitsInUnsignedInt = (unsigned int)(sizeof(unsigned int) * );
const unsigned int ThreeQuarters = (unsigned int)((BitsInUnsignedInt * ) / );
const unsigned int OneEighth = (unsigned int)(BitsInUnsignedInt / );
const unsigned int HighBits = (unsigned int)(0xFFFFFFFF) << (BitsInUnsignedInt - OneEighth);
unsigned int hash = ;
unsigned int test = ;
unsigned int i = ; for(i=;i<len; str++, i++)
{
hash = (hash<<OneEighth) + (*str); if((test = hash & HighBits) != )
{
hash = ((hash ^(test >> ThreeQuarters)) & (~HighBits));
}
} return hash;
}
/* End Of P. J. Weinberger Hash Function */ unsigned int ELFHash(const char* str, unsigned int len)
{
unsigned int hash = ;
unsigned int x = ;
unsigned int i = ; for(i = ; i < len; str++, i++)
{
hash = (hash << ) + (*str);
if((x = hash & 0xF0000000L) != )
{
hash ^= (x >> );
}
hash &= ~x;
} return hash;
}
/* End Of ELF Hash Function */ unsigned int BKDRHash(const char* str, unsigned int len)
{
unsigned int seed = ; /* 31 131 1313 13131 131313 etc.. */
unsigned int hash = ;
unsigned int i = ; for(i = ; i < len; str++, i++)
{
hash = (hash * seed) + (*str);
} return hash;
}
/* End Of BKDR Hash Function */ unsigned int SDBMHash(const char* str, unsigned int len)
{
unsigned int hash = ;
unsigned int i = ; for(i = ; i < len; str++, i++)
{
hash = (*str) + (hash << ) + (hash << ) - hash;
} return hash;
}
/* End Of SDBM Hash Function */ unsigned int DJBHash(const char* str, unsigned int len)
{
unsigned int hash = ;
unsigned int i = ; for(i = ; i < len; str++, i++)
{
hash = ((hash << ) + hash) + (*str);
} return hash;
}
/* End Of DJB Hash Function */ unsigned int DEKHash(const char* str, unsigned int len)
{
unsigned int hash = len;
unsigned int i = ; for(i = ; i < len; str++, i++)
{
hash = ((hash << ) ^ (hash >> )) ^ (*str);
}
return hash;
}
/* End Of DEK Hash Function */ unsigned int BPHash(const char* str, unsigned int len)
{
unsigned int hash = ;
unsigned int i = ;
for(i = ; i < len; str++, i++)
{
hash = hash << ^ (*str);
} return hash;
}
/* End Of BP Hash Function */ unsigned int FNVHash(const char* str, unsigned int len)
{
const unsigned int fnv_prime = 0x811C9DC5;
unsigned int hash = ;
unsigned int i = ; for(i = ; i < len; str++, i++)
{
hash *= fnv_prime;
hash ^= (*str);
} return hash;
}
/* End Of FNV Hash Function */
数据下载:http://pan.baidu.com/s/1hqBTks0
Github 地址:https://github.com/jihite/Bloom-Filter
5. 扩展
如何删除存储数组中的元素?
思路:把存储数组的每一个元素扩展一下(原来是1b)用来存储该位置被置1的次数。存储是,计数次数加一;删除的时候,计数次数减一。
实例学习Bloom Filter的更多相关文章
- Bloom Filter:海量数据的HashSet
Bloom Filter一般用于数据的去重计算,近似于HashSet的功能:但是不同于Bitmap(用于精确计算),其为一种估算的数据结构,存在误判(false positive)的情况. 1. 基本 ...
- 探索C#之布隆过滤器(Bloom filter)
阅读目录: 背景介绍 算法原理 误判率 BF改进 总结 背景介绍 Bloom filter(后面简称BF)是Bloom在1970年提出的二进制向量数据结构.通俗来说就是在大数据集合下高效判断某个成员是 ...
- Bloom Filter 布隆过滤器
Bloom Filter 是由伯顿.布隆(Burton Bloom)在1970年提出的一种多hash函数映射的快速查找算法.它实际上是一个很长的二进制向量和一些列随机映射函数.应用在数据量很大的情况下 ...
- Bloom Filter学习
参考文献: Bloom Filters - the math http://pages.cs.wisc.edu/~cao/papers/summary-cache/node8.html B ...
- 【转】探索C#之布隆过滤器(Bloom filter)
原文:蘑菇先生,http://www.cnblogs.com/mushroom/p/4556801.html 背景介绍 Bloom filter(后面简称BF)是Bloom在1970年提出的二进制向量 ...
- bloom filter
Bloom filter 是由 Howard Bloom 在 1970 年提出的二进制向量数据结构,它具有很好的空间和时间效率,被用来检测一个元素是不是集合中的一个成员. 结 构 二进制 召回率 ...
- Bloom Filter 概念和原理
Bloom filter 是由 Howard Bloom 在 1970 年提出的二进制向量数据结构,它具有很好的空间和时间效率,被用来检测一个元素是不是集合中的一个成员.如果检测结果为是,该元素不一定 ...
- 【转】Bloom Filter布隆过滤器的概念和原理
转自:http://blog.csdn.net/jiaomeng/article/details/1495500 之前看数学之美丽,里面有提到布隆过滤器的过滤垃圾邮件,感觉到何其的牛,竟然有这么高效的 ...
- [爬虫学习笔记]基于Bloom Filter的url去重模块UrlSeen
Url Seen用来做url去重.对于一个大的爬虫系统,它可能已经有百亿或者千亿的url,新来一个url如何能快速的判断url是否已经出现过非常关键.因为大的爬虫系统可能一秒钟就会下载 ...
随机推荐
- django post分号引发的问题
利用jquery的ajax传值 $.ajax({ type:"POST", url:"", data:"content"=content, ...
- grappelli美化django的admin页面
开始用admin时候,觉得它的页面实在...宁愿自己写modules,多费点时间 grappelli可以把admin变得非常美观,配置起来也很简单 第一步,先下载grappelli,搜索一下,wind ...
- MySQL 多实例给root用户创建密码
DB:5.5.14 OS:CentOS 6.3 安装多实例MySQL数据库,安装完成后默认无密码,一次性给所有实例的root账户创建密码: #!/bin/bash for i in {3361..3 ...
- mysql简单操作一
MySQL的一些简单管理: 启动MySQL服务: sudo start mysql 停止MySQL服务: sudo stop mysql 修改 MySQL 的管理员密码: sudo mysqladmi ...
- C# 实现Oracle中的数据与Excel之间的转换
最近项目要求实现数据库之间数据在各个数据库之间导入导出,在此做个笔记 1. 将Oracle中的表导入到Excel中,反之亦然 private static readonly string conne ...
- Google history
传说,硅谷的公司在和微软的竞争中一直处于下风,不论在市场,人才,还是在打官司上,直到婴儿巨人Baby Giant谷歌的出现,历史才出现前所未有的改变.Google以一个强大的挑战者的身份出现在人们的视 ...
- C# XML - XmlDocument
http://msdn.microsoft.com/zh-cn/library/System.Xml.XmlDocument(v=vs.80).aspx 1.member http://msdn.mi ...
- BZOJ 1143: [CTSC2008]祭祀river 最大独立集
题目链接: http://www.lydsy.com/JudgeOnline/problem.php?id=1143 题解: 给你一个DAG,求最大的顶点集,使得任意两个顶点之间不可达. 把每个顶点v ...
- 无法从 ajax.googleapis.com 下载问题
除FQ外的解决办法: 打开目录 C:\Windows\System32\drivers\etc,修改 hosts 文件,添加一行 : 127.0.0.1 ajax.googleapis.com 打开I ...
- jQuery+css+div--一些细节详解
(一).首先.让我们认识一下最基本普通的alert()弹出框!(改变alert()提示弹出框的样式) 我们在写html或是jsp页面的时候,谁都不希望自己精心设计,且非常美观的页面颜色布局被破坏掉吧! ...