布隆过滤器Bloom Filter

本章代码gitee仓库：布隆过滤器

0. 前言

我们在玩某款游戏的时候，刚注册的话，我们需要取一个昵称，这个昵称不能和其他玩家的重复。

判断这个昵称是否存在，底层可以用哈希表，但是玩家的数量太多了，都是以亿这个量级来就算，那么采用哈希表就会造成大量的空间浪费；如果用位图，但位图一般只能用于处理整型数据。

那么我们就可以采用哈希表+位图，即布隆过滤器来完成检测这个昵称是否已经被注册。

1. 布隆过滤器的概念

布隆过滤器（英语：Bloom Filter）是1970年由布隆提出的。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。

2. 布隆过滤器的实现

2.1 哈希函数

我们这里参考该文章：各种字符串Hash函数

采用排名前三的字符串哈希函数

struct BKDRHash
{
	size_t operator()(const string& str)
	{
		register size_t hash = 0;
		for (auto ch : str)
		{
			hash = hash * 131 + ch;
		}
		return hash;
	}
};

struct APHash
{
	size_t operator()(const string& str)
	{
		register size_t hash = 0;
		for (size_t i = 0; i < str.size(); i++)
		{
			size_t ch = str[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& str)
	{
		register size_t hash = 5381;
		for (auto ch : str)
		{
			hash += (hash << 5) + ch;
		}
		return hash;
	}
};

因为这里采用的是仿函数，所以我们将这个几个哈希函数定义为结构体，然后重载operator()进行调用

2.2 插入和判断

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 hash1 = Hash1()(key) % N;
		_bs.set(hash1);

		size_t hash2 = Hash2()(key) % N;
		_bs.set(hash2);
		
		size_t hash3 = Hash3()(key) % N;
		_bs.set(hash3);

	}

	bool Test(const K& key)
	{
		//为真不一定存在，为假一定不存在
		size_t hash1 = Hash1()(key) % N;
		if (_bs.test(hash1) == false)
			return false;
		size_t hash2 = Hash2()(key) % N;
		if (_bs.test(hash2) == false)
			return false;

		size_t hash3 = Hash3()(key) % N;
		if (_bs.test(hash3) == false)
			return false;

		return true;
	}
private:
	bitset<N> _bs;
};

3. 布隆过滤器的删除

布隆过滤器不能直接支持删除操作，因为删除一个元素的时候，可能会影响其他元素

例如：我们删除apple时，apple映射的二进制位与huawei里面有一个重叠了，那么这就会影响到huawei这个元素的判定

另外，布隆过滤器的设计初衷就是为了快速查找元素是否存在于集合中，并在一些特定应用中提供高效的去重和查询功能。它不被设计用来维护可变的数据集，因此不支持删除操作。

4. 布隆过滤器的误判

布隆过滤器是存在一定的误判率的，我们可以通过控制哈希函数和布隆过滤器长度来减小误判率

有兴趣可以参考此篇文章详解布隆过滤器的原理，使用场景和注意事项

void t2()
{
	srand(time(0));
	const size_t N = 10000;
	BloomFilter<N*8> bf;
	vector<string> v1;
	string url = "https://legacy.cplusplus.com/reference/";
	for (size_t i = 0; i < N; i++)
	{
		v1.push_back(url + to_string(i));
	}

	for (auto& e : v1)
	{
		bf.Set(e);
	}

	vector<string> v2;
	for (size_t i = 0; i < N; i++)
	{
		string url = "https://legacy.cplusplus.com/reference/";
		url += to_string(999999 + i);
		v2.push_back(url);
	}
	size_t count = 0;
	for (auto& e : v2)
	{
		if (bf.Test(e))
			count++;
	}
	cout << "相似字符串误判率：" << (double)count / (double)N << endl;

	vector<string> v3;
	for (size_t i = 0; i < N; i++)
	{
		string url = "www.baidu.com";
		url += to_string(i + rand());
		v3.push_back(url);
	}
	size_t countDifferent = 0;
	for (auto& e : v3)
	{
		if (bf.Test(e))
			countDifferent++;
	}
	cout << "不相似字符串误判率：" << (double)countDifferent / (double)N << endl;

}

---

那么本次的分享就到这里，我们下期再见，如果还有下期的话。