C++布隆过滤器的使用示例

一、前提引入

思考如下的题目

将长度为10的字符串保存在哈希表中，需要多少空间

对于每个字符来说，都有256中可能（即ASCII的理论字符数量，常用ASCII编码只有128个），因此一个长度为10的字符串有种比特组合

因此将字符串转换成整型，是从大范围转换到小范围。也就是多对一，因此将其映射到哈希表中，一定会产生冲突

可能出现如下情况

将其进行二次映射，也就是采用两个位置进行映射，从而尽量减少冲突。二次映射可能又会导致冲突，但是二次映射的目的不是消除冲突，而是尽量减少冲突

 由于是多个哈希函数映射，因此对于一个字符串x是否存在的判断可能出现以下情况

①x在哈希表中：x的多个映射位置的比特值都为1。但由于多次映射，比特值为1可能是别的字符串映射的结果。因此x在哈希表中的判断是不一定准确的，可能出现误判情况

②x不在哈希表中：如果x的多个映射位置中有任意一个的比特值为0，则代表x不在哈希表中。也就是说别的字符串映射结果并不影响x不在哈希表中的映射。所以x不在哈希表中的判断是一定准确的

二、布隆过滤器概念

布隆过滤器是哈希与位图的结合

布隆过滤器是由布隆（Burton Howard Bloom）在1970年提出的 一种紧凑型的、比较巧妙的概率型数据结构，特点是高效地插入和查询，可以用来告诉你 “某样东西一定不存在或者可能存在”，它是用多个哈希函数，将一个数据映射到位图结构中。此种方式不仅可以提升查询效率，也可以节省大量的内存空间

在数据量足够大的时候，不论如何选择哈希函数，都一定会出现冲突问题，而布隆过滤器的设计理念就是降低冲突的概率

布隆过滤器将哈希的单次映射调整为多次映射。也就是对于同一个关键字使用多个哈希函数进行映射，一个值映射一个位置，容易出现误判，但是一个值映射多个位置就可以降低误判率

哈希函数的数量并不是越多越好，每多一个哈希函数，关键字映射的位就越多，占用的比特数量就越多。因此需要选择数量合适的哈希函数个数。

最佳的哈希函数个数计算：

其中k为哈希函数个数，m为布隆过滤器长度，n为元素个数

三、布隆过滤器的实现

查找

分别计算每个哈希值对应的比特位置存储的是否为零，只要有一个为零，代表该元素一定不在哈希表中，否则可能在哈希表中

删除 

布隆过滤器不能直接支持删除工作，因为在删除一个元素时，可能会影响其他元素

一种支持删除的方法：将布隆过滤器中的每个比特位扩展成一个小的计数器，插入元素时给k个计 数器(k个哈希函数计算出的哈希地址)加一，删除元素时，给k个计数器减一，通过多占用几倍存储 空间的代价来增加删除操作

缺陷： 1. 无法确认元素是否真正在布隆过滤器中 2. 存在计数回绕

程序实现

以下实现的几种哈希函数，采用其他大佬实现的经过数学验证的，尽量减少冲突的哈希函数。可以根据自己的需求更改

#pragma once
#include<iostream>
#include<vector>
#include<string>
#include<bitset>
using std::string;
using std::bitset;
namespace my_BloomFilter
{
	struct BKDRHash
	{
		size_t operator()(const string& s)
		{
			size_t hash = 0;
			for (auto ch : s)
			{
				hash += ch;
				hash *= 31;
			}
			return hash;
		}
	};
	struct APHash
	{
		size_t operator()(const string& s)
		{
			size_t hash = 0;
			for (long i = 0; i < s.size(); i++)
			{
				size_t ch = s[i];
				if ((i & 1) == 0)
				{
					hash ^= ((hash << 7) ^ ch ^ (hash >> 3));
				}
				else
				{
					hash ^= (~((hash << 11) ^ ch ^ (hash >> 5)));
				}
			}
			return hash;
		}
	};
	struct DJBHash
	{
		size_t operator()(const string& s)
		{
			size_t hash = 5381;
			for (auto ch : s)
			{
				hash += (hash << 5) + ch;
			}
			return hash;
		}
	};
	template<size_t N,class K=string,class Hash1=BKDRHash,class Hash2=APHash,class Hash3=DJBHash>
	class BloomFilter
	{
	public:
		void set(const K& key)
		{
			size_t len = N * _X;
			size_t hash1 = Hash1()(key) % len;
			_bs.set(hash1);
			size_t hash2 = Hash2()(key) % len;
			_bs.set(hash2);
			size_t hash3 = Hash3()(key) % len;
			_bs.set(hash3);
		}
		bool test(const K& key)
		{
			size_t len = N * _X;
			size_t hash1 = Hash1()(key) % len;
			if (!_bs.test(hash1))
			{
				return false;
			}
			size_t hash2 = Hash2()(key) % len;
			if (!_bs.test(hash2))
			{
				return false;
			}
			size_t hash3 = Hash3()(key) % len;
			if (!_bs.test(hash3))
			{
				return false;
			}
			// 在      不准确的，存在误判
			// 不在    准确的
			return true;
		}
	private:
		static const ssize_t _X = 6;
		bitset<N*_X> _bs;
	};
}

四、布隆过滤器的实现场景

布隆过滤器优点：

1. 增加和查询元素的时间复杂度为:O(K)，K为哈希函数的个数，一般比较小，与数据量大小无关

2. 哈希函数相互之间没有关系，方便硬件并行运算

3. 布隆过滤器不需要存储元素本身，在某些对保密要求比较严格的场合有很大优势

4. 在能够承受一定的误判时，布隆过滤器比其他数据结构有这很大的空间优势

5. 数据量很大时，布隆过滤器可以表示全集，其他数据结构不能

6. 使用同一组散列函数的布隆过滤器可以进行交、并、差运算

布隆过滤器缺点：

1. 有误判率，即存在假阳性(False Position)，即不能准确判断元素是否在集合中(补救方法：再 建立一个白名单，存储可能会误判的数据)

2. 不能获取元素本身

3. 一般情况下不能从布隆过滤器中删除元素

4. 如果采用计数方式删除，可能会存在计数回绕问题

可以通过布隆过滤器对数据进行初步判断。比如在账号注册阶段，可以用于用户名查重等操作，如果该用户名不存在，则可以注册。如果该用户名存在，则在数据库中进行查找，二次确认

实际应用中数据库中的数据量可能特别大，数据都存储在硬盘中。因此采用过滤操作提升查找速度是十分必要的

到此这篇关于C++布隆过滤器的使用示例的文章就介绍到这了,更多相关C++ 布隆过滤器内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论