业界动态
Bloom Filter实现大数据集查询
2024-11-03 00:57

先来看几个比较常见的例子

Bloom Filter实现大数据集查询

  • 字处理软件中,需要检查一个英语单词是否拼写正确
  • 在 FBI,一个嫌疑人的名字是否已经在嫌疑名单上
  • 在网络爬虫里,一个网址是否被访问过
  • yahoo, gmail等邮箱垃圾邮件过滤功能
  • 这几个例子有一个共同的特点: 如何判断一个元素是否存在一个集合中?

    常规思路
    数组
    链表
    树、平衡二叉树、Trie
    Map (红黑树)
    哈希表

    虽然上面描述的这几种数据结构配合常见的排序、二分搜索可以快速高效的处理绝大部分判断元素是否存在集合中的需求。但是当集合里面的元素数量足够大,如果有500万条记录甚至1亿条记录呢?这个时候常规的数据结构的问题就凸显出来了。数组、链表、树等数据结构会存储元素的内容,一旦数据量过大,消耗的内存也会呈现线性增长,最终达到瓶颈。有的同学可能会问,哈希表不是效率很高吗?查询效率可以达到O(1)。但是哈希表需要消耗的内存依然很高。使用哈希表存储一亿 个垃圾 email 地址的消耗?哈希表的做法:首先,哈希函数将一个email地址映射成8字节信息指纹;考虑到哈希表存储效率通常小于50%(哈希冲突);因此消耗的内存:8 * 2 * 1亿 字节 = 1.6G 内存,普通计算机是无法提供如此大的内存。这个时候,布隆过滤器(Bloom Filter)就应运而生。在继续介绍布隆过滤器的原理时,先讲解下关于哈希函数的预备知识。

  • 巴顿.布隆于一九七零年提出
  • 一个很长的二进制向量 (位数组)
  • 一系列随机函数 (哈希)
  • 空间效率和查询效率高
  • 有一定的误判率(哈希表是精确匹配)
  • 存在:在集合内(可能错误)”和“不在集合内(绝对不在集合内)”两种情况,可见 Bloom filter 是牺牲了正确率换取时间和空间。

    3.1布隆过滤器原理

    布隆过滤器(Bloom Filter)的核心实现是一个超大的位数组和几个哈希函数。假设位数组的长度为m,哈希函数的个数为k。

    布隆过滤器添加元素

  • 将要添加的元素给k个哈希函数
  • 将这k个位置设为1
  • 布隆过滤器查询元素

  • 将要查询的元素给k个哈希函数
  • 如果k个位置有一个为0,则肯定不在集合中
  • 如果k个位置全部为1,则可能在集合中
  • 3.2布隆过滤器实现

    下面给出python的实现,使用murmurhash算法

    至于Java版的实现,可以参考:

        以上就是本篇文章【Bloom Filter实现大数据集查询】的全部内容了,欢迎阅览 ! 文章地址:http://sicmodule.glev.cn/news/8955.html 
         资讯      企业新闻      行情      企业黄页      同类资讯      首页      网站地图      返回首页 歌乐夫资讯移动站 http://sicmodule.glev.cn/mobile/ , 查看更多   
    最新新闻
    美团王兴身家135亿美元!超过京东刘强东和雷军!
    6月16日,美团股价市值突破1万亿港元。疫情下的美团营收下滑但股价持续走高! 福布斯亿万富翁实时数据显示,美团创始人 CEO王兴
    沙溢引发热议,本人颜值回春瘦身成功,是和贾玲、沈腾约好的吗?
    都说减肥堪比整容,这句话真的是一点也不假,看看如今的贾玲大家就知道了,这还是曾经那个舞台上胖胖的贾玲吗?人瘦下来以后整个
    近3年来最大跌幅?!油价,重大调整!
    油价或出现近3年来最大跌幅。4月17日,油价将迎来新一轮调整,每升预计下跌0.4元至0.42元,调整后加满一箱50升油箱将少花21元左
    中国电影消费年迎来五一档:超10部影片,精彩呈现!
    转自:大湾区之声今年是消费年。当下,第十五届北京国际电影节正如火如荼进行中,众多精彩影片轮番上映,为中国电影市场再添活力
    给“刘强东大战美团”划重点
      1.刘强东亲自发起对美团的战争,从春节后就开始屡上头条。印象中,他上一轮霸榜热搜是2018年的明州事件,当然那是一次计划之
    迷雾剧场新剧阵容一绝秦昊统治区
    ?哇哇哇,迷雾剧场又有新剧来袭啦!这部《借命而生》真的是让人期待值拉满。先看看这主演阵容,秦昊、韩庚、钟楚曦、史彭元、林
    李国庆谈刘强东打王兴“七寸”,还给王兴出招,认为饿了么要倒霉
    3月2日,李国庆直播谈刘强东“打”王兴七寸这件事。也就是大家知道的,京东刘强东进入外卖行业了,美团的反应很大。认为京东正好
    【待你学AI智习室】——孩子自习的私人教练
    在这个信息爆炸的时代,孩子们的学习不再局限于传统的课堂与书本。家长们在追求孩子全面发展的同时,也面临着如何高效辅导、激发
    多彩假期活动丰富 节日消费持续升温
      央视网消息(新闻联播):“五一”假期,丰富多彩的活动激活各地旅游市场,假日消费持续升温。  这个“五一”假期,红色旅
    下调!或迎3年来最大降幅
    车主们注意了油价或迎来近三年最大降价幅度▼4月17日油价将迎来新一轮调整, 每升预计下跌0.4—0.42元。 在本轮油价周期内油价由

    loading