公众号后台回复“面试”，获取精品学习资料

扫描下方海报了解专栏详情

《Java工程师面试突击（第3季）》重磅升级，由原来的70讲增至160讲，内容扩充一倍多，升级部分内容请参见文末

为什么引入

我们的业务中经常会遇到穿库的问题，通常可以通过缓存解决。如果数据维度比较多，结果数据集合比较大时，缓存的效果就不明显了。

因此为了解决穿库的问题，我们引入Bloom Filter。

适合的场景

• 数据库防止穿库 Google Bigtable，Apache HBase和Apache Cassandra以及Postgresql 使用BloomFilter来减少不存在的行或列的磁盘查找。

  避免代价高昂的磁盘查找会大大提高数据库查询操作的性能。如同一开始的业务场景。如果数据量较大，不方便放在缓存中。需要对请求做拦截防止穿库。

• 缓存宕机 缓存宕机的场景，使用布隆过滤器会造成一定程度的误判。

  原因是除了Bloom Filter 本身有误判率，宕机之前的缓存不一定能覆盖到所有DB中的数据，当宕机后用户请求了一个以前从未请求的数据，这个时候就会产生误判。

  当然，缓存宕机时使用布隆过滤器作为应急的方式，这种情况应该也是可以忍受的。

• WEB拦截器 相同请求拦截防止被攻击。用户第一次请求，将请求参数放入BloomFilter中，当第二次请求时，先判断请求参数是否被BloomFilter命中。可以提高缓存命中率

• 恶意地址检测 chrome 浏览器检查是否是恶意地址。首先针对本地BloomFilter检查任何URL，并且仅当BloomFilter返回肯定结果时才对所执行的URL进行全面检查（并且用户警告，如果它也返回肯定结果）。

• 比特币加速 bitcoin 使用BloomFilter来加速钱包同步。

开源项目地址：https://github.com/luw2007/bloomfilter

我们先看看一般业务缓存流程： 

先查询缓存，缓存不命中再查询数据库。然后将查询结果放在缓存中即使数据不存在，也需要创建一个缓存，用来防止穿库。

这里需要区分一下数据是否存在。如果数据不存在，缓存时间可以设置相对较短，防止因为主从同步等问题，导致问题被放大。

这个流程中存在薄弱的问题是，当用户量太大时，我们会缓存大量数据空数据，并且一旦来一波冷用户，会造成雪崩效应。

对于这种情况，我们产生第二个版本流程:redis过滤冷用户缓存流程 

我们将数据库里面中命中的用户放在redis的set类型中，设置不过期。这样相当把redis当作数据库的索引，只要查询redis，就可以知道是否数据存在。

redis中不存在就可以直接返回结果。如果存在就按照上面提到一般业务缓存流程处理。

聪明的你肯定会想到更多的问题：

1. redis本身可以做缓存，为什么不直接返回数据呢？

2. 如果数据量比较大，单个set，会有性能问题？

3. 业务不重要，将全量数据放在redis中，占用服务器大量内存。投入产出不成比例？

问题1需要区分业务场景，结果数据少，我们是可以直接使用redis作为缓存，直接返回数据。结果比较大就不太适合用redis存放了。比如ugc内容，一个评论里面可能存在上万字，业务字段多。

redis使用有很多技巧。bigkey 危害比较大，无论是扩容或缩容带来的内存申请释放， 还是查询命令使用不当导致大量数据返回，都会影响redis的稳定。这里就不细谈原因及危害了。

解决bigkey 方法很简单。我们可以使用hash函数来分桶，将数据分散到多个key中。减少单个key的大小，同时不影响查询效率。

问题3是redis存储占用内存太大。因此我们需要减少内存使用。重新思考一下引入redis的目的。redis像一个集合，整个业务就是验证请求的参数是否在集合中。  这个结构就像洗澡的时候用的双向阀门：左边热水，右边冷水。

大部分的编程语言都内置了filter。拿python举例，filter函数用于过滤序列， 过滤掉不符合条件的元素，返回由符合条件元素组成的列表。

我们看个例子：

$ python2Python 2.7.10 (default, Oct  6 2017, 22:29:07)[GCC 4.2.1 Compatible Apple LLVM 9.0.0 (clang-900.0.31)] on darwinType "help", "copyright", "credits" or "license" for more information.>>> s = {2, 4}>>> filter(lambda x:x in s, [0, 1, 2])[2]

集合s中存在 2，4两个数字，我们需要查询 0，1，2 那些在集合s中。 lambda x:x in s构造一个匿名函数，判断入参x是否在集合s中。过滤器filter依次对列表中的数字执行匿名函数。最终返回列表[2]。

redis中实现set用了两种结构：intset和hash table。非数字或者大量数字时都会退化成hash table。那么是否好的算法可以节省hash table的大小呢？

其实早在1970年由Burton Howard Bloom提出的布隆过滤器（英语：Bloom Filter）。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。

它的优点是空间效率和查询时间都远远超过一般的算法， 缺点是有一定的误识别率和删除困难。

BloomFilter原理

我们常见的将业务字段拼接之后md5，放在一个集合中。md5生成一个固定长度的128bit的串。如果我们用bitmap来表示，则需要

2**128 = 340282366920938463463374607431768211456 bit

判断一个值在不在，就变成在这个bitmap中判断所在位是否为1。但是我们全世界的机器存储空间也无法存储下载。因此我们只能分配有限的空间来存储。比如:

import crc32def BloomFilter(sample, size, hash_size=1):    # 构造一个hash函数，将输入数据散列到size一个位置上    hash = lambda x:crc32(str(x).encode())%size    collision, s = 0, set()    for i in range(sample):        k = set()        for j in range(hash_size):            k.add(hash(i+j*size/hash_size))        # 只有所有散列结果k都在s中，才认为i重复        if not k - s:            collision += 1            continue        # 将散列结果k更新到集合s中        s |= k    return collision

当只有一个hash函数时：很容易发生冲突。 

可以看到上面1和2的hash结果都是7，发生冲突。如果增加hash函数，会发生什么情况？

我们使用更多的hash函数和更大的数据集合来测试。得到下面这张表 

由此可以看到当增加hash方法能够有效的降低碰撞机率。比较好的数据如下： 

但是增加了hash方法之后，会降低空间的使用效率。当集合占用总体空间达到25%的时候， 增加hash 的效果已经不明显

上面的使用多个hash方法来降低碰撞就是BloomFilter的核心思想。

算法优点：

• 数据空间小，不用存储数据本身。

算法本身缺点：

• 元素可以添加到集合中，但不能被删除。

• 匹配结果只能是“绝对不在集合中”，并不能保证匹配成功的值已经在集合中。

• 当集合快满时，即接近预估最大容量时，误报的概率会变大。

• 数据占用空间放大。一般来说，对于1％的误报概率，每个元素少于10比特，与集合中的元素的大小或数量无关。查询过程变慢，hash函数增多，导致每次匹配过程，需要查找多个位（hash个数）来确认是否存在。

对于BloomFilter的优点来说，缺点都可以忽略。毕竟只需要kN的存储空间就能存储N个元素。空间效率十分优秀。

如何使用BloomFilter

BloomFilter 需要一个大的bitmap来存储。鉴于目前公司现状，最好的存储容器是redis。从github topics: bloom-filter中经过简单的调研。

redis集成BloomFilter方案：

• 原生python 调用setbit 构造 BloomFilter

• lua脚本

• Rebloom - Bloom Filter Module for Redis (注：redis Module在redis4.0引入)

• 使用hiredis 调用redis pyreBloom

原生python 方法太慢，lua脚本和module 部署比较麻烦。于是我们推荐使用pyreBloom，底层使用。

pyreBloom:master λ lsMakefile      bloom.h       bloom.pxd     murmur.c      pyreBloom.pyxbloom.c       bloom.o       main.c        pyreBloom.c

从文件命名上可以看到bloom 使用c编写。pyreBloom 使用cython编写。

bloom.h 里面实现BloomFilter的核心逻辑，完成与redis server的交互；hash函数；添加，检查和删除方法的实现。

int init_pyrebloom(pyrebloomctxt * ctxt, char * key, uint32_t capacity, double error, char* host, uint32_t port, char* password, uint32_t db);int free_pyrebloom(pyrebloomctxt * ctxt);int add(pyrebloomctxt * ctxt, const char * data, uint32_t len);int add_complete(pyrebloomctxt * ctxt, uint32_t count);int check(pyrebloomctxt * ctxt, const char * data, uint32_t len);int check_next(pyrebloomctxt * ctxt);int delete(pyrebloomctxt * ctxt);

pyreBloom.pyx

import mathimport randomcimport bloomclass pyreBloomException(Exception):	'''Some sort of exception has happened internally'''	passcdef class pyreBloom(object):	cdef bloom.pyrebloomctxt context	cdef bytes               key	property bits:		def __get__(self):			return self.context.bits	property hashes:		def __get__(self):			return self.context.hashes	def __cinit__(self, key, capacity, error, host='127.0.0.1', port=6379,		password='', db=0):		self.key = key		if bloom.init_pyrebloom(&self.context, self.key, capacity,			error, host, port, password, db):			raise pyreBloomException(self.context.ctxt.errstr)	def __dealloc__(self):		bloom.free_pyrebloom(&self.context)	def delete(self):		bloom.delete(&self.context)	def put(self, value):		if getattr(value, '__iter__', False):			r = [bloom.add(&self.context, v, len(v)) for v in value]			r = bloom.add_complete(&self.context, len(value))		else:			bloom.add(&self.context, value, len(value))			r = bloom.add_complete(&self.context, 1)		if r < 0:			raise pyreBloomException(self.context.ctxt.errstr)		return r	def add(self, value):		return self.put(value)	def extend(self, values):		return self.put(values)	def contains(self, value):		# If the object is 'iterable'...		if getattr(value, '__iter__', False):			r = [bloom.check(&self.context, v, len(v)) for v in value]			r = [bloom.check_next(&self.context) for i in range(len(value))]			if (min(r) < 0):				raise pyreBloomException(self.context.ctxt.errstr)			return [v for v, included in zip(value, r) if included]		else:			bloom.check(&self.context, value, len(value))			r = bloom.check_next(&self.context)			if (r < 0):				raise pyreBloomException(self.context.ctxt.errstr)			return bool(r)	def __contains__(self, value):		return self.contains(value)	def keys(self):		'''Return a list of the keys used in this bloom filter'''		return [self.context.keys[i] for i in range(self.context.num_keys)]

原生pyreBloom方法:cdef class pyreBloom(object):    cdef bloom.pyrebloomctxt context    cdef bytes    property bits:    property hashes:    // 使用的hash方法数    def delete(self):    // 删除，会在redis中删除    def put(self, value):    // 添加 底层方法, 不建议直接调用    def add(self, value):    // 添加单个元素，调用put方法    def extend(self, values):    // 添加一组元素，调用put方法    def contains(self, value):    // 检查是否存在，当`value`可以迭代时，返回`[value]`, 否则返回`bool`    def keys(self):    // 在redis中存储的key列表

由于pyreBloom使用hiredis库，本身没有重连等逻辑，于是做了简单的封装。

# coding=utf-8    '''    bloom filter 基础模块    可用方法:    extend, keys, contains, add, put, hashes, bits, delete    使用方法:    >>> class TestModel(BaseModel):    ...    PREFIX = "bf:test"    >>> t = TestModel()    >>> t.add('hello')    1    >>> t.extend(['hi', 'world'])    2    >>> t.contains('hi')    True    >>> t.delete()    '''    import logging    from six import PY3 as IS_PY3    from pyreBloom import pyreBloom, pyreBloomException    from BloomFilter.utils import force_utf8    class BaseModel(object):        '''        bloom filter 基础模块        参数：            SLOT: 可用方法类型            PREFIX: redis前缀            BF_SIZE: 存储最大值            BF_ERROR: 允许的出错率            RETRIES: 连接重试次数            host: redis 服务器IP            port: redis 服务器端口            db: redis 服务器DB            _bf_conn: 内部保存`pyreBloom`实例        '''        SLOT = {'add', 'contains', 'extend', 'keys', 'put', 'delete',                'bits', 'hashes'}        PREFIX = ""        BF_SIZE = 100000        BF_ERROR = 0.01        RETRIES = 2        def __init__(self, redis=None):            '''            初始化redis配置            :param redis: redis 配置            '''            # 这里初始化防止类静态变量多个继承类复用，导致数据被污染            self._bf_conn = None            self._conf = {                'host': '127.0.0.1', 'password': '',                'port': 6379, 'db': 0            }            if redis:                for k, v in redis.items():                    if k in self._conf:                        self._conf[k] = redis[k]            self._conf = force_utf8(self._conf)        @property        def bf_conn(self):            '''            初始化pyreBloom            '''            if not self._bf_conn:                prefix = force_utf8(self.PREFIX)                logging.debug(                    'pyreBloom connect: redis://%s:%s/%s, (%s %s %s)',                    self._conf['host'], self._conf['port'], self._conf['db'],                    prefix, self.BF_SIZE, self.BF_ERROR,                )                self._bf_conn = pyreBloom(                    prefix, self.BF_SIZE, self.BF_ERROR, **self._conf)            return self._bf_conn        def __getattr__(self, method):            '''调用pyrebloom方法            没有枚举的方法将从`pyreBloom`中获取            :param method:            :return: pyreBloom.{method}            '''            # 只提供内部方法            if method not in self.SLOT:                raise NotImplementedError()            # 捕获`pyreBloom`的异常, 打印必要的日志            def catch_error(*a, **kwargs):                '''多次重试服务'''                args = force_utf8(a)                kwargs = force_utf8(kwargs)                for _ in range(self.RETRIES):                    try:                        func = getattr(self.bf_conn, method)                        res = func(*args, **kwargs)                        # python3 返回值和python2返回值不相同，                        # 手工处理返回类型                        if method == 'contains' and IS_PY3:                            if isinstance(res, list):                                return [i.decode('utf8') for i in res]                        return res                    except pyreBloomException as error:                        logging.warn(                            'pyreBloom Error:  %s %s', method, str(error))                        self.reconnect()                        if _ == self.RETRIES:                            logging.error('pyreBloom Error')                            raise error            return catch_error        def __contains__(self, item):            '''跳转__contains__方法            :param item: 查询元素列表/单个元素            :type item: list/basestring            :return: [bool...]/bool            '''            return self.contains(item)        def reconnect(self):            '''            重新连接bloom            `pyreBloom` 连接使用c driver，没有提供timeout参数，使用了内置的timeout            同时为了保证服务的可靠性，增加了多次重试机制。            struct timeval timeout = { 1, 5000 };            ctxt->ctxt = redisConnectWithTimeout(host, port, timeout);            del self._bf_conn 会调用`pyreBloom`内置的C的del方法，会关闭redis连接            '''            if self._bf_conn:                logging.debug('pyreBloom reconnect')                del self._bf_conn                self._bf_conn = None                _ = self.bf_conn

进阶：计数过滤器(Counting Filter)

提供了一种在BloomFilter上实现删除操作的方法，而无需重新重新创建过滤器。在计数滤波器中，阵列位置（桶）从单个位扩展为n位计数器。实际上，常规布隆过滤器可以被视为计数过滤器，其桶大小为一位。

插入操作被扩展为递增桶的值，并且查找操作检查每个所需的桶是否为非零。然后，删除操作包括递减每个桶的值。

存储桶的算术溢出是一个问题，并且存储桶应该足够大以使这种情况很少见。如果确实发生，则增量和减量操作必须将存储区设置为最大可能值，以便保留BloomFilter的属性。

计数器的大小通常为3或4位。因此，计算布隆过滤器的空间比静态布隆过滤器多3到4倍。相比之下， Pagh，Pagh和Rao（2005）以及Fan等人的数据结构。（2014）也允许删除但使用比静态BloomFilter更少的空间。

计数过滤器的另一个问题是可扩展性有限。由于无法扩展计数布隆过滤器表，因此必须事先知道要同时存储在过滤器中的最大键数。一旦超过表的设计容量，随着插入更多密钥，误报率将迅速增长。

Bonomi等人。（2006）引入了一种基于d-left散列的数据结构，它在功能上是等效的，但使用的空间大约是计算BloomFilter的一半。此数据结构中不会出现可伸缩性问题。一旦超出设计容量，就可以将密钥重新插入到双倍大小的新哈希表中。

Putze，Sanders和Singler（2007）的节省空间的变体也可用于通过支持插入和删除来实现计数过滤器。

Rottenstreich，Kanizo和Keslassy（2012）引入了一种基于变量增量的新通用方法，该方法显着提高了计算布隆过滤器及其变体的误报概率，同时仍支持删除。

与计数布隆过滤器不同，在每个元素插入时，散列计数器以散列变量增量而不是单位增量递增。要查询元素，需要考虑计数器的确切值，而不仅仅是它们的正面性。如果由计数器值表示的总和不能由查询元素的相应变量增量组成，则可以将否定答案返回给查询。

END

本文来源公众号：码洞

原文作者：卢玮，掌阅资深后端工程师

---

《Java工程师面试突击第三季》加餐部分大纲：（注：1-66讲的大纲请扫描文末二维码，在课程详情页获取）

详细的课程内容，大家可以扫描下方二维码了解：