為什么引入

我們的業(yè)務(wù)中經(jīng)常會遇到穿庫的問題，通常可以通過緩存解決。如果數(shù)據(jù)維度比較多，結(jié)果數(shù)據(jù)集合比較大時，緩存的效果就不明顯了。

因此為了解決穿庫的問題，我們引入Bloom Filter。

適合的場景

• 數(shù)據(jù)庫防止穿庫 google Bigtable，Apache HBase和Apache Cassandra以及Postgresql 使用BloomFilter來減少不存在的行或列的磁盤查找。避免代價高昂的磁盤查找會大大提高數(shù)據(jù)庫查詢操作的性能。如同一開始的業(yè)務(wù)場景。如果數(shù)據(jù)量較大，不方便放在緩存中。需要對請求做攔截防止穿庫。
• 緩存宕機 緩存宕機的場景，使用布隆過濾器會造成一定程度的誤判。原因是除了Bloom Filter 本身有誤判率，宕機之前的緩存不一定能覆蓋到所有DB中的數(shù)據(jù)，當(dāng)宕機后用戶請求了一個以前從未請求的數(shù)據(jù)，這個時候就會產(chǎn)生誤判。當(dāng)然，緩存宕機時使用布隆過濾器作為應(yīng)急的方式，這種情況應(yīng)該也是可以忍受的。
• WEB攔截器 相同請求攔截防止被攻擊。用戶第一次請求，將請求參數(shù)放入BloomFilter中，當(dāng)?shù)诙握埱髸r，先判斷請求參數(shù)是否被BloomFilter命中。可以提高緩存命中率
• 惡意地址檢測 chrome 瀏覽器檢查是否是惡意地址。首先針對本地BloomFilter檢查任何URL，并且僅當(dāng)BloomFilter返回肯定結(jié)果時才對所執(zhí)行的URL進行全面檢查（并且用戶警告，如果它也返回肯定結(jié)果）。
• 比特幣加速 bitcoin 使用BloomFilter來加速錢包同步。

開源項目地址：

https://github.com/luw2007/bloomfilter

我們先看看一般業(yè)務(wù)緩存流程：

先查詢緩存，緩存不命中再查詢數(shù)據(jù)庫。然后將查詢結(jié)果放在緩存中即使數(shù)據(jù)不存在，也需要創(chuàng)建一個緩存，用來防止穿庫。

這里需要區(qū)分一下數(shù)據(jù)是否存在。如果數(shù)據(jù)不存在，緩存時間可以設(shè)置相對較短，防止因為主從同步等問題，導(dǎo)致問題被放大。

這個流程中存在薄弱的問題是，當(dāng)用戶量太大時，我們會緩存大量數(shù)據(jù)空數(shù)據(jù)，并且一旦來一波冷用戶，會造成雪崩效應(yīng)。

對于這種情況，我們產(chǎn)生第二個版本流程:redis過濾冷用戶緩存流程

我們將數(shù)據(jù)庫里面中命中的用戶放在redis的set類型中，設(shè)置不過期。這樣相當(dāng)把redis當(dāng)作數(shù)據(jù)庫的索引，只要查詢redis，就可以知道是否數(shù)據(jù)存在。

redis中不存在就可以直接返回結(jié)果。如果存在就按照上面提到一般業(yè)務(wù)緩存流程處理。

聰明的你肯定會想到更多的問題：

1. redis本身可以做緩存，為什么不直接返回數(shù)據(jù)呢？
2. 如果數(shù)據(jù)量比較大，單個set，會有性能問題？
3. 業(yè)務(wù)不重要，將全量數(shù)據(jù)放在redis中，占用服務(wù)器大量內(nèi)存。投入產(chǎn)出不成比例？

問題1

需要區(qū)分業(yè)務(wù)場景，結(jié)果數(shù)據(jù)少，我們是可以直接使用redis作為緩存，直接返回數(shù)據(jù)。結(jié)果比較大就不太適合用redis存放了。比如ugc內(nèi)容，一個評論里面可能存在上萬字，業(yè)務(wù)字段多。

redis使用有很多技巧。bigkey 危害比較大，無論是擴容或縮容帶來的內(nèi)存申請釋放， 還是查詢命令使用不當(dāng)導(dǎo)致大量數(shù)據(jù)返回，都會影響redis的穩(wěn)定。這里就不細談原因及危害了。

解決bigkey 方法很簡單。我們可以使用hash函數(shù)來分桶，將數(shù)據(jù)分散到多個key中。減少單個key的大小，同時不影響查詢效率。

問題3

是redis存儲占用內(nèi)存太大。因此我們需要減少內(nèi)存使用。重新思考一下引入redis的目的。redis像一個集合，整個業(yè)務(wù)就是驗證請求的參數(shù)是否在集合中。

這個結(jié)構(gòu)就像洗澡的時候用的雙向閥門：左邊熱水，右邊冷水。

大部分的編程語言都內(nèi)置了filter。拿Python舉例，filter函數(shù)用于過濾序列， 過濾掉不符合條件的元素，返回由符合條件元素組成的列表。

我們看個例子：

$ python2
Python 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 darwin
Type "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 2，4兩個數(shù)字，我們需要查詢 0，1，2 那些在集合s中。 lambda x:x in s構(gòu)造一個匿名函數(shù)，判斷入?yún)是否在集合s中。過濾器filter依次對列表中的數(shù)字執(zhí)行匿名函數(shù)。最終返回列表[2]。

redis中實現(xiàn)set用了兩種結(jié)構(gòu)：intset和hash table。非數(shù)字或者大量數(shù)字時都會退化成hash table。那么是否好的算法可以節(jié)省hash table的大小呢？

其實早在1970年由Burton Howard Bloom提出的布隆過濾器（英語：Bloom Filter）。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(shù)。布隆過濾器可以用于檢索一個元素是否在一個集合中。

它的優(yōu)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。

BloomFilter原理

我們常見的將業(yè)務(wù)字段拼接之后md5，放在一個集合中。md5生成一個固定長度的128bit的串。如果我們用bitmap來表示，則需要

2**128 = 340282366920938463463374607431768211456 bit

判斷一個值在不在，就變成在這個bitmap中判斷所在位是否為1。但是我們?nèi)澜绲臋C器存儲空間也無法存儲下載。因此我們只能分配有限的空間來存儲。

當(dāng)只有一個hash函數(shù)時：很容易發(fā)生沖突。

可以看到上面1和2的hash結(jié)果都是7，發(fā)生沖突。如果增加hash函數(shù)，會發(fā)生什么情況？

我們使用更多的hash函數(shù)和更大的數(shù)據(jù)集合來測試。得到下面這張表

由此可以看到當(dāng)增加hash方法能夠有效的降低碰撞機率。比較好的數(shù)據(jù)如下：

但是增加了hash方法之后，會降低空間的使用效率。當(dāng)集合占用總體空間達到25%的時候， 增加hash 的效果已經(jīng)不明顯

上面的使用多個hash方法來降低碰撞就是BloomFilter的核心思想。

算法優(yōu)點：

• 數(shù)據(jù)空間小，不用存儲數(shù)據(jù)本身。

算法本身缺點：

• 元素可以添加到集合中，但不能被刪除。
• 匹配結(jié)果只能是“絕對不在集合中”，并不能保證匹配成功的值已經(jīng)在集合中。
• 當(dāng)集合快滿時，即接近預(yù)估最大容量時，誤報的概率會變大。
• 數(shù)據(jù)占用空間放大。一般來說，對于1％的誤報概率，每個元素少于10比特，與集合中的元素的大小或數(shù)量無關(guān)。查詢過程變慢，hash函數(shù)增多，導(dǎo)致每次匹配過程，需要查找多個位（hash個數(shù)）來確認是否存在。

對于BloomFilter的優(yōu)點來說，缺點都可以忽略。畢竟只需要kN的存儲空間就能存儲N個元素。空間效率十分優(yōu)秀。

如何使用BloomFilter

BloomFilter 需要一個大的bitmap來存儲。鑒于目前公司現(xiàn)狀，最好的存儲容器是redis。從github topics: bloom-filter中經(jīng)過簡單的調(diào)研。

redis集成BloomFilter方案：

• 原生python 調(diào)用setbit 構(gòu)造 BloomFilter
• lua腳本
• Rebloom - Bloom Filter Module for Redis (注：redis Module在redis4.0引入)
• 使用hiredis 調(diào)用redis pyreBloom

原生python 方法太慢，lua腳本和module 部署比較麻煩。于是我們推薦使用pyreBloom，底層使用。

pyreBloom:master λ ls
Makefile      bloom.h       bloom.pxd     murmur.c      pyreBloom.pyx
bloom.c       bloom.o       main.c        pyreBloom.c

從文件命名上可以看到bloom 使用c編寫。pyreBloom 使用cython編寫。

bloom.h 里面實現(xiàn)BloomFilter的核心邏輯，完成與redis server的交互；hash函數(shù)；添加，檢查和刪除方法的實現(xiàn)。

進階：計數(shù)過濾器(Counting Filter)

提供了一種在BloomFilter上實現(xiàn)刪除操作的方法，而無需重新重新創(chuàng)建過濾器。在計數(shù)濾波器中，陣列位置（桶）從單個位擴展為n位計數(shù)器。實際上，常規(guī)布隆過濾器可以被視為計數(shù)過濾器，其桶大小為一位。

插入操作被擴展為遞增桶的值，并且查找操作檢查每個所需的桶是否為非零。然后，刪除操作包括遞減每個桶的值。

存儲桶的算術(shù)溢出是一個問題，并且存儲桶應(yīng)該足夠大以使這種情況很少見。如果確實發(fā)生，則增量和減量操作必須將存儲區(qū)設(shè)置為最大可能值，以便保留BloomFilter的屬性。

計數(shù)器的大小通常為3或4位。因此，計算布隆過濾器的空間比靜態(tài)布隆過濾器多3到4倍。相比之下， Pagh，Pagh和Rao（2005）以及Fan等人的數(shù)據(jù)結(jié)構(gòu)。（2014）也允許刪除但使用比靜態(tài)BloomFilter更少的空間。

計數(shù)過濾器的另一個問題是可擴展性有限。由于無法擴展計數(shù)布隆過濾器表，因此必須事先知道要同時存儲在過濾器中的最大鍵數(shù)。一旦超過表的設(shè)計容量，隨著插入更多密鑰，誤報率將迅速增長。

Bonomi等人。（2006）引入了一種基于d-left散列的數(shù)據(jù)結(jié)構(gòu)，它在功能上是等效的，但使用的空間大約是計算BloomFilter的一半。此數(shù)據(jù)結(jié)構(gòu)中不會出現(xiàn)可伸縮性問題。一旦超出設(shè)計容量，就可以將密鑰重新插入到雙倍大小的新哈希表中。

Putze，Sanders和Singler（2007）的節(jié)省空間的變體也可用于通過支持插入和刪除來實現(xiàn)計數(shù)過濾器。

Rottenstreich，Kanizo和Keslassy（2012）引入了一種基于變量增量的新通用方法，該方法顯著提高了計算布隆過濾器及其變體的誤報概率，同時仍支持刪除。

與計數(shù)布隆過濾器不同，在每個元素插入時，散列計數(shù)器以散列變量增量而不是單位增量遞增。要查詢元素，需要考慮計數(shù)器的確切值，而不僅僅是它們的正面性。如果由計數(shù)器值表示的總和不能由查詢元素的相應(yīng)變量增量組成，則可以將否定答案返回給查詢。