布隆过滤器是一种节省空间的数据结构，通过多个哈希函数来判断元素是否存在，但存在假阳性问题。其优点在于高效存储和查询，常用于缓存系统防止缓存穿透。然而，由于无法删除元素和一定概率的误报，不适合对准确性要求极高的场景。CountingBloomFilter是其扩展，解决了部分问题。
优点：
- 不需要存储数据本身，只用比特表示，因此空间占用相对于传统方式有巨大的优势，并且能够保密数据；
- 时间效率也较高，插入和查询的时间复杂度均为O(k)；
- 哈希函数之间相互独立，可以在硬件指令层面并行计算。
缺点：
- 存在假阳性的概率，不适用于任何要求100%准确率的情境；
- 只能插入和查询元素，不能删除元素，这与产生假阳性的原因是相同的。
可以用来作为缓存系统（如Redis）的缓冲，防止缓存穿透。存在假阳性，不存在假阴性。
k 为哈希函数个数，m 为布隆过滤器长度，n 为插入的元素个数，p 为误报率
k 次哈希函数某一 bit 位未被置为 1 的概率为：
插入n个元素后依旧为 0 的概率和为 1 的概率分别是：
Counting Bloom Filter
https://cloud.tencent.com/developer/article/1136056
扫一扫
1102
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
