布隆过滤器(Bloom Filter)原理与应用

最新推荐文章于 2023-12-30 16:04:29 发布

原创最新推荐文章于 2023-12-30 16:04:29 发布 · 333 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#存储

分布式存储专栏收录该内容

2 篇文章

订阅专栏

博客介绍了K-v存储中bloom filter可快速查找元素是否在集合中，返回false则元素一定不在，返回true则可能存在。给出最低错误概率公式，还提供相关参考介绍及C++实现链接。指出其缺点是不能删除，可通过变体CBF解决，CBF多占存储空间以增加删除操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

K-v存储中bloom filter能够实现快速查找一个元素是否在集合中。bloom filter返回false，证明一定该元素一定不在于该集合中；bloom filter返回true，证明该该元素可能存在该集合中，也有可能不存在，不过通过设计bloom filter一般情况下，bloom filter返回true，则该元素极大概率存在于该集合当中。
最低错误概率公式：k=m/n*ln2，k：hash function的个数，m：存储0、1状态二进制位数，n：总元素的个数，ln(2)于等于0.69
参考介绍如下：
https://blog.youkuaiyun.com/zq602316498/article/details/40660235
https://blog.youkuaiyun.com/jiaomeng/article/details/1495500
bloom filter的C++实现：
https://blog.youkuaiyun.com/chinabhlt/article/details/49148373

bloom filter的缺点是不能删除，只能增加，但是有方法改进，方法如下：
删除元素问题可以通过布隆过滤器的变体CBF(Counting bloomfilter)解决。CBF将基本Bloom Filter每一个Bit改为一个计数器，这样就可以实现删除字符串的功能了。

它将标准Bloom Filter位数组的每一位扩展为一个小的计数器（Counter），在插入元素时给对应的k（k为哈希函数个数）个Counter的值分别加1，删除元素时给对应的k个Counter的值分别减1。Counting Bloom Filter通过多占用几倍的存储空间的代价，给Bloom Filter增加了删除操作。