【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理

一、位图

1.1 位图概念

  1. 面试题
    给40亿个不重复的无符号整数,没排过序。给一个无符号整数,如何快速判断一个数是否在这40亿个数中。【腾讯】
    1.遍历,时间复杂度O(N)
    2.排序(O(NlogN)),利用二分查找: logN
    3.位图解决
    数据是否在给定的整形数据中,结果是在或者不在,刚好是两种状态,那么可以使用一个二进制比特位来代表数据是否存在的信息,如果二进制比特位为1,代表存在,为0代表不存在。比如:
    【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第1张图片
  2. 位图概念
    所谓位图,就是用每一位来存放某种状态,适用于海量数据,数据无重复的场景。通常是用来判断某个数据存不存在的。

1.2 位图的实现

1.2.1把x映射的位置标记成1

【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第2张图片
1和任何数或都是1,所以我们将1与x映射的位置进行或,就可以实现将其置为1。

		// x映射的那个标记成1
		void set(size_t x)
		{
			size_t i = x / 32;
			size_t j = x % 32;

			_a[i] |= (1 << j);//任何数和1或之后都是1
		}

具体实现是求出x映射的位置,然后将1移到x的对应位置,其他位为0,0和任何数或都是原来的数,而1与x对应位置&之后都为1,这样就可以做到x对应位置为1。

1.2.2 把x映射的位置标记成0

【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第3张图片
0和任何数与都是0,我们只需要将0与x映射的位置进行&运算即可。

		// x映射的那个标记成0
		void reset(size_t x)
		{
			size_t i = x / 32;
			size_t j = x % 32;

			_a[i] &= (~(1 << j));//任何数和0与之后都是0
		}

具体实现是求出x映射的位置,然后将1移到x的位置,然后进行取反,则其他位为1,而1与任何数与都为原来的数的值,x位置的数为0,相与之后x位置的值置为0。

1.2.3 判断一个位是0还是1

【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第4张图片

		//判断x映射的那个是否为1
		bool test(size_t x)
		{
			size_t i = x / 32;
			size_t j = x % 32;
			
			return _a[i] & (1 << j);
		}

1和任何数与都是原来的数,判断一个位是否为1只需要将1与0和x映射的值进行&运算,其它位为0&之后都为0不会影响结果,所以&运算结果为1说明该位为1。

1.2.4 完整代码

#pragma once
#include
using namespace std;

namespace bit
{
	template<size_t N>
	class bitset
	{
	public:
		bitset()
		{
			_a.resize(N / 32 + 1);//多开一个,防止出现不够的情况,最多浪费四个字节
		}

		// x映射的那个标记成1
		void set(size_t x)
		{
			size_t i = x / 32;
			size_t j = x % 32;

			_a[i] |= (1 << j);//任何数和1或之后都是1
		}

		// x映射的那个标记成0
		void reset(size_t x)
		{
			size_t i = x / 32;
			size_t j = x % 32;

			_a[i] &= (~(1 << j));//任何数和0与之后都是0
		}

		//判断x映射的那个是否为1
		bool test(size_t x)
		{
			size_t i = x / 32;
			size_t j = x % 32;

			return _a[i] & (1 << j);
		}

	private:
		vector<int> _a;
	};
}

运行测试:
【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第5张图片

1.3 位图的应用

  1. 快速查找某个数据是否在一个集合中
  2. 排序 + 去重
  3. 求两个集合的交集、并集等
  4. 操作系统中磁盘块标记

二、海量数据面试题(位图应用)

1. 给定100亿个整数,设计算法找到只出现一次的整数?
这道题我们可以考虑用俩个位标识一个值出现的次数:00代表没有出现过,01代表出现一次,这里只需要找到只出现一次的,我们直接把10记录成出现2次及以上。
实现要点:俩个位控制一个数,用俩个位图控制

	template<size_t N>
	class twobitset
	{
	public:
		//记录出现的次数
		void set(size_t x)
		{
			// 00 -> 01
			if (!_bs1.test(x) && !_bs2.test(x))
			{
				_bs2.set(x);
			}
			// 01 -> 10
			else if (!_bs1.test(x) && _bs2.test(x))
			{
				_bs1.set(x);
				_bs2.reset(x);
			}
			// 本身10代表出现2次及以上,就不变了
		}

		//查看x是否只出现了一次
		bool is_once(size_t x)
		{
			return !_bs1.test(x) && _bs2.test(x);
		}

	//用俩个位图来记录x出现的次数
	private:
		bitset<N> _bs1;
		bitset<N> _bs2;
	};

运行测试:
【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第6张图片
2. 给两个文件,分别有100亿个整数,我们只有1G内存,如何找到两个文件交集?
解题思路:
先将俩个文件的整数去重,然后将俩个文件的数字映射到俩个位图,然后进行&运算,对应位置为1,说明就是交集。
运行测试:
【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第7张图片
3. 位图应用变形:1个文件有100亿个int,1G内存,设计算法找到出现次数不超过2次的所有整数。
类似问题1,需要用俩个位图进行解决。
这里需要求不超过俩次的,我们就将00代表没出现过,01代表出现了1次,10代表出现俩次,11代表出现俩次以上。

三、布隆过滤器

3.1 布隆过滤器提出

我们在使用新闻客户端看新闻时,它会给我们不停地推荐新的内容,它每次推荐时要去重,去掉那些已经看过的内容。问题来了,新闻客户端推荐系统如何实现推送去重的? 用服务器记录了用户看过的所有历史记录,当推荐系统推荐新闻时会从每个用户的历史记录里进行筛选,过滤掉那些已经存在的记录。 如何快速查找呢?

  1. 用哈希表存储用户记录,缺点:浪费空间
  2. 用位图存储用户记录,缺点:位图一般只能处理整形,如果内容编号是字符串,就无法处理了。
  3. 将哈希与位图结合,即布隆过滤器。

3.2布隆过滤器概念

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
相比于传统的 List、Set、Map 等数据结构,它更高效、占用空间更少,但是缺点是其返回的结果是概率性的,而不是确切的。
https://zhuanlan.zhihu.com/p/43263751/

3.3 布隆过滤器的插入

布隆过滤器是一个 bit 向量或者说 bit 数组,长这样:
【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第8张图片
如果我们要映射一个值到布隆过滤器中,我们需要使用多个不同的哈希函数生成多个哈希值,并对每个生成的哈希值指向的 bit 位置 1,例如针对值 “baidu” 和三个不同的哈希函数分别生成了哈希值 1、4、7,则上图转变为:
【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第9张图片
我们现在再存一个值 “tencent”,如果哈希函数返回 3、4、8 的话,图继续变为:
【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第10张图片
值得注意的是,4 这个 bit 位由于两个值的哈希函数都返回了这个 bit 位,因此它被覆盖了。现在我们如果想查询 “dianping” 这个值是否存在,哈希函数返回了 1、5、8三个值,结果我们发现 5 这个 bit 位上的值为 0,说明没有任何一个值映射到这个 bit 位上,因此我们可以很确定地说 “dianping” 这个值不存在。而当我们需要查询 “baidu” 这个值是否存在的话,那么哈希函数必然会返回 1、4、7,然后我们检查发现这三个 bit 位上的值均为 1,那么我们可以说 “baidu” 存在了么?答案是不可以,只能是 “baidu” 这个值可能存在。

这是为什么呢?答案跟简单,因为随着增加的值越来越多,被置为 1 的 bit 位也会越来越多,这样某个值 “taobao” 即使没有被存储过,但是万一哈希函数返回的三个 bit 位都被其他值置位了 1 ,那么程序还是会判断 “taobao” 这个值存在。

#include
#include

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

        //cout <<"BKDRHash:" << hash << endl;
        return hash;
    }
};

struct APHash
{
    size_t operator()(const string& str)
    {
        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)));
            }
        }

        //cout << "APHash:" << hash << endl;
        return hash;
    }
};

struct DJBHash
{
    size_t operator()(const string& str)
    {
        size_t hash = 5381;
        for (auto ch : str)
        {
            hash += (hash << 5) + ch;
        }

        //cout << "DJBHash:" << hash << endl;
        return hash;
    }
};

//布隆过滤器主要用在字符串类型
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)
    {
        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;//这里是存在误判的
    }
private:
    bitset<N> _bs;
};

3.4 布隆过滤器的查找

布隆过滤器的思想是将一个元素用多个哈希函数映射到一个位图中,因此被映射到的位置的比特位一定为1。所以可以按照以下方式进行查找: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。
注意:布隆过滤器如果说某个元素不存在时,该元素一定不存在,如果该元素存在时,该元素可能存在,因为有些哈希函数存在一定的误判。
比如:在布隆过滤器中查找"alibaba"时,假设3个哈希函数计算的哈希值为:1、3、7,刚好和其他元素的比特位重叠,此时布隆过滤器告诉该元素存在,但实该元素是不存在的。

3.5 布隆过滤器删除

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。
比如:删除上图中"tencent"元素,如果直接将该元素所对应的二进制比特位置0,“baidu”元素也被删除了,因为这两个元素在多个哈希函数计算出的比特位上刚好有重叠。
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

3.6 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。

3.7 布隆过滤器缺陷

  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

四、海量数据面试题(布隆过滤器)

4.1 哈希切割

给一个超过100G大小的log file, log中存着IP地址, 设计算法找到出现次数最多的IP地址?
与上题条件相同,如何找到top K的IP?如何直接用Linux系统命令实现?
【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第11张图片
相同ip一定进入了同一个小文件,用map去分别统计每个小文件中ip出现次数即可。
找到top K的IP,就建立一个小堆,比堆顶的数据大就进堆。

4.2 布隆过滤器

1. 给两个文件,分别有100亿个query,我们只有1G内存,如何找到两个文件交集?分别给出精确算法和近似算法?
假设平均一个query是30byte,100亿个query是3000亿byte
1G大概是10亿byte,所以大概是300G。
哈希切分:A和B中相同的query一定会分别进入Ai和Bi编号相同的小文件
【哈希】——哈希的应用-位图/布隆过滤器+海量数据处理_第12张图片
找交集,Ai读出来放到一个set,在依次读取Bi的query,在不在,在就是交集并且删掉。就可以找出Ai和Bi的交集平均切是300M,但是我们不是平均切,哈希切分,如果冲突太多,会导致某个Ai文件太大,甚至超过1G,怎么办?
两个场景,比如Ai有5G
1、4G都是相同query,1G冲突
2、大多数都是冲突
解决方案:
1、先把A的query读到一个set,如果set的insert报错抛异常(bad alloc),那么就说明是大多数query都是冲突。如果能够全部读出来,insert到set里面,那么说明Ai有大量相同的query。(因为相同set会去重)
2、如果抛异常,说明有大量冲突,再换一个哈希函数,再进行二次切分。
2. 如何扩展BloomFilter使得它支持删除元素的操作?
答:用多个位标识一个值,使用引用计数。

你可能感兴趣的:(C++,哈希算法,面试,算法)