转载

Guava -- Bloom Filter原理

去重在软件开发中经常需要用到,在Java当中一般使用Set集合,面对大量数据则可以利用取MD5签名等值后再进行去重,然而Set集合的实现原理决定了如果有大量的key需要判断,必然会需要大量的内存来支撑,且随着数据量增大效率也变得不那么尽人意。另外业务中存在着很多对精确性不需要那么高的场景,此时使用Set集合则是一种资源浪费,因此就可以利用 布隆过滤器 等算法手段进行去重。

业务场景

笔者实习面试的时候,面试官问了个关于怎么判断爬虫URL是否已经爬过的问题,笔者先回答了使用Set集合,然后升级为内存很小,数据量很大怎么办?笔者想了想往数据库插,取签名值后,可以分库分表,利用数据库唯一键来约束。面试官没再追问。。。后来见识到了 布隆过滤器 ,才想起来面试官真正的用意。

布隆过滤器的原理

布隆过滤器原理很简单,用一个很大的bit位数组与多个无偏hash函数(即计算出来的hash值呈均匀分布),当存入一个元素时,使用每一个hash函数进行hash,再与bit数组取模,得出的位置置为1。判断一个元素是否存在时,同样也是利用这样的方法判断对应的数组位是不是否为1。

Guava -- Bloom Filter原理

从原理上可以得出布隆过滤器的特性:

  1. 存在不一定真的存在:存在则可能对应的数组位与其他key产生了碰撞。
  2. 不存在则一定不存在:不存在则 一定 不存在,那么这个特性则可以很好的实现去重。

那么问题又来了,布隆过滤器既然有一定误判率,怎么使这个误判率降低?

具体有相关公式,不过一般使用直接计算工具,比如 bloom-calculator ,100w的数据判断,万分之一的误判率才需要2M内存,优势巨大。

Guava -- Bloom Filter原理

常见实现方案

guava

在Guava中提供了 com.google.common.hash.BloomFilter 类,如下所示,可以很方便的实现布隆过滤器。其实现原理中有很多值得学习的点。

@Test
   public void test() {
       // 100w bit长度 ,0.01%误判率
       // bf对象则会生成 299534 个long数组,使用13次hash计算.
       BloomFilter<String> bf = BloomFilter
           .create(Funnels.stringFunnel(Charset.defaultCharset()), 100 * 10000, 0.0001d);
       
       System.out.println(bf.test("quding")); // false
       bf.put("quding"); // bitCount=13
       System.out.println(bf.test("quding")); // true
       bf.put("quding1"); // bitCount=26

   }

如何表示超长的bit数组?

在Java中提供的基本类型最小的位Byte,占8bits,最大的为Long,占64bits,因此常见方案是使用Long数组作为bits数组使用,举个例子 128bits可以用long[2]标识,146bits可以用long[3]表示,在Guava中对应的实现为 com.google.common.hash.BloomFilterStrategies.LockFreeBitArray

清单1:

static final class LockFreeBitArray {
    private static final int LONG_ADDRESSABLE_BITS = 6;
    // long数组,表示超长bit位,使用Atomic提供原子操作能力,保证线程安全
    final AtomicLongArray data;
    // 当前数组中为1的bit位数量,其实现可以看错JDK8中的LongAdder
    private final LongAddable bitCount;
    
    LockFreeBitArray(long bits) {
        // 初始化时传入bit位,然后按照64位进行拆分计算,比如传入146bits,则会拆分位long[3]数组
      this(new long[Ints.checkedCast(LongMath.divide(bits, 64, RoundingMode.CEILING))]);
    }
}

那么可以想象更新bits位的操作需要先定位到long数组的下标,然后使用将对应bits位置为1,具体做法如清单2所示。

清单2: bit位更新操作

boolean set(long bitIndex) {
    if (get(bitIndex)) {
      return false;
    }
    // 定位到long数组对应的下标
    int longIndex = (int) (bitIndex >>> LONG_ADDRESSABLE_BITS);
    // 左移,将对应位置的bit位置为1,其他全是0
    long mask = 1L << bitIndex; // only cares about low 6 bits of bitIndex

    long oldValue;
    long newValue;
    do {
      oldValue = data.get(longIndex);
      // 或操作将对应bit位变成1
      newValue = oldValue | mask;
      if (oldValue == newValue) {
        return false;
      }
      // CAS保证原子性
    } while (!data.compareAndSet(longIndex, oldValue, newValue));

    // We turned the bit on, so increment bitCount.
    bitCount.increment();
    return true;
  }

扩展一下,这种拆分思想的应用很多,DB上有分库分表,应用上有各种锁拆分,比如 ConcurrentHashMapLongAdder ,那么业务上可以怎么利用呢?想到一种在业务中一个账户的金额如果频繁变动,那么就需要对这个账户不停的做更新操作,到DB那一层则是高并发,那么此时将一个账户拆分为多个呢?比如收入是一个账户,支出是另一个账户,或者按照币种维护,按照业务维度等方法,那么就将一个账户的锁拆分为账户的锁,有效的降低了高并发带来的锁竞争问题。当然一致性上还需要应用层使用事务等机制来解决。

如何多次hash计算?

如上图计算,100w元素,0.0001误判率下需要13次hash计算,hash在快次数一多也必然会成为性能瓶颈,在Guava中并没有引入多个Hash函数,而是计算出一个hash值后,其他的使用位移,乘除等方法快速计算出来,其实本身是均匀分布的随机值,也没必要使用多个hash函数。

清单3: hash计算

MURMUR128_MITZ_32() {
    @Override
    public <T> boolean put(
        T object, Funnel<? super T> funnel, int numHashFunctions, LockFreeBitArray bits) {
      long bitSize = bits.bitSize();
      // 计算出一个hash值
      long hash64 = Hashing.murmur3_128().hashObject(object, funnel).asLong();
      // 取低32位
      int hash1 = (int) hash64;
      // 取高32位
      int hash2 = (int) (hash64 >>> 32);

      boolean bitsChanged = false;
      // 根据hash次数分别计算出hash值,然后设置到bits数组中
      for (int i = 1; i <= numHashFunctions; i++) {
        int combinedHash = hash1 + (i * hash2);
        // Flip all the bits if it's negative (guaranteed positive number)
        if (combinedHash < 0) {
          combinedHash = ~combinedHash;
        }
        // 填充bits位
        bitsChanged |= bits.set(combinedHash % bitSize);
      }
      return bitsChanged;
    }
}

另外 com.google.common.hash.BloomFilterStrategies 也是枚举策略模式的典型应用场景,值得学习,关于策略模式可以参考

设计模式–策略模式的思考

Redis

Guava只能本地使用,面对分布式场景时则可以选择一些缓存类组件实现,在Redis4.0版本之后,提供了module支持了布隆过滤器 RedisBloom ,主要命令如下所示,具体实现原理不是很了解了,在此也不多讨论。

清单1: redis bloom filter命令

BF.RESERVE {key} {error_rate} {size}  初始化一个布隆过滤器
BF.ADD {key} {item}  添加单个元素
BF.EXISTS {key} {item} 是否存在
bf.madd {key} {item} [item...]  添加多个元素
BF.MEXISTS {key} {item} [item...]  判断多个元素是否存在
原文  https://mrdear.cn/2019/03/16/framework/guava/guava--bloom-filter/
正文到此结束
Loading...