bloomfilter大规模数据处理利器.docx

bloomfilter大规模数据处理利器.docx

《bloomfilter大规模数据处理利器.docx》由会员分享，可在线阅读，更多相关《bloomfilter大规模数据处理利器.docx（21页珍藏版）》请在冰豆网上搜索。

bloomfilter大规模数据处理利器

BloomFilter——大规模数据处理利器

from

　　BloomFilter是由Bloom在1970年提出的一种多哈希函数映射的快速查找算法。

通常应用在一些需要快速判断某个元素是否属于集合，但是并不严格要求100%正确的场合。

一.实例

　　为了说明BloomFilter存在的重要意义，举一个实例：

　　假设要你写一个网络蜘蛛（webcrawler）。

由于网络间的链接错综复杂，蜘蛛在网络间爬行很可能会形成“环”。

为了避免形成“环”，就需要知道蜘蛛已经访问过那些URL。

给一个URL，怎样知道蜘蛛是否已经访问过呢？

稍微想想，就会有如下几种方案：

　　1.将访问过的URL保存到数据库。

　　2.用HashSet将访问过的URL保存起来。

那只需接近O

（1）的代价就可以查到一个URL是否被访问过了。

　　3.URL经过MD5或SHA-1等单向哈希后再保存到HashSet或数据库。

　　4.Bit-Map方法。

建立一个BitSet，将每个URL经过一个哈希函数映射到某一位。

　　方法1~3都是将访问过的URL完整保存，方法4则只标记URL的一个映射位。

　　以上方法在数据量较小的情况下都能完美解决问题，但是当数据量变得非常庞大时问题就来了。

　　方法1的缺点：

数据量变得非常庞大后关系型数据库查询的效率会变得很低。

而且每来一个URL就启动一次数据库查询是不是太小题大做了？

　　方法2的缺点：

太消耗内存。

随着URL的增多，占用的内存会越来越多。

就算只有1亿个URL，每个URL只算50个字符，就需要5GB内存。

　　方法3：

由于字符串经过MD5处理后的信息摘要长度只有128Bit，SHA-1处理后也只有160Bit，因此方法3比方法2节省了好几倍的内存。

　　方法4消耗内存是相对较少的，但缺点是单一哈希函数发生冲突的概率太高。

还记得数据结构课上学过的Hash表冲突的各种解决方法么？

若要降低冲突发生的概率到1%，就要将BitSet的长度设置为URL个数的100倍。

　　实质上上面的算法都忽略了一个重要的隐含条件：

允许小概率的出错，不一定要100%准确！

也就是说少量url实际上没有没网络蜘蛛访问，而将它们错判为已访问的代价是很小的——大不了少抓几个网页呗。

二.BloomFilter的算法

　　废话说到这里，下面引入本篇的主角——BloomFilter。

其实上面方法4的思想已经很接近BloomFilter了。

方法四的致命缺点是冲突概率高，为了降低冲突的概念，BloomFilter使用了多个哈希函数，而不是一个。

　BloomFilter算法如下：

　创建一个m位BitSet，先将所有位初始化为0，然后选择k个不同的哈希函数。

第i个哈希函数对字符串str哈希的结果记为h（i，str），且h（i，str）的范围是0到m-1。

（1）加入字符串过程

　　下面是每个字符串处理的过程，首先是将字符串str“记录”到BitSet中的过程：

　　对于字符串str，分别计算h（1，str），h（2，str）……h（k，str）。

然后将BitSet的第h（1，str）、h（2，str）……h（k，str）位设为1。

　　图1.BloomFilter加入字符串过程

　　很简单吧？

这样就将字符串str映射到BitSet中的k个二进制位了。

（2）检查字符串是否存在的过程

　　下面是检查字符串str是否被BitSet记录过的过程：

　　对于字符串str，分别计算h（1，str），h（2，str）……h（k，str）。

然后检查BitSet的第h（1，str）、h（2，str）……h（k，str）位是否为1，若其中任何一位不为1则可以判定str一定没有被记录过。

若全部位都是1，则“认为”字符串str存在。

　　若一个字符串对应的Bit不全为1，则可以肯定该字符串一定没有被BloomFilter记录过。

（这是显然的，因为字符串被记录过，其对应的二进制位肯定全部被设为1了）

　　但是若一个字符串对应的Bit全为1，实际上是不能100%的肯定该字符串被BloomFilter记录过的。

（因为有可能该字符串的所有位都刚好是被其他字符串所对应）这种将该字符串划分错的情况，称为falsepositive。

（3）删除字符串过程

字符串加入了就被不能删除了，因为删除会影响到其他字符串。

实在需要删除字符串的可以使用Countingbloomfilter（CBF），这是一种基本BloomFilter的变体，CBF将基本BloomFilter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。

　　BloomFilter跟单哈希函数Bit-Map不同之处在于：

BloomFilter使用了k个哈希函数，每个字符串跟k个bit对应。

从而降低了冲突的概率。

三.BloomFilter参数选择

（1）哈希函数选择

　　哈希函数的选择对性能的影响应该是很大的，一个好的哈希函数要能近似等概率的将字符串映射到各个Bit。

选择k个不同的哈希函数比较麻烦，一种简单的方法是选择一个哈希函数，然后送入k个不同的参数。

（2）Bit数组大小选择

　　哈希函数个数k、位数组大小m、加入的字符串数量n的关系可以参考参考文献1。

该文献证明了对于给定的m、n，当k=ln

（2）*m/n时出错的概率是最小的。

　　同时该文献还给出特定的k，m，n的出错概率。

例如：

根据参考文献1，哈希函数个数k取10，位数组大小m设为字符串个数n的20倍时，falsepositive发生的概率是0.0000889，这个概率基本能满足网络爬虫的需求了。

四.BloomFilter实现代码

　下面给出一个简单的BloomFilter的Java实现代码：

importjava.util.BitSet;publicclassBloomFilter

{

/*BitSet初始分配2^24个bit*/

privatestaticfinalintDEFAULT_SIZE=1<<25;

/*不同哈希函数的种子，一般应取质数*/

privatestaticfinalint[]seeds=newint[]{5,7,11,13,31,37,61};

privateBitSetbits=newBitSet（DEFAULT_SIZE）;

/*哈希函数对象*/

privateSimpleHash[]func=newSimpleHash[seeds.length];publicBloomFilter（）

{

for（inti=0;i<seeds.length;i++）

{

func[i]=newSimpleHash（DEFAULT_SIZE,seeds[i]）;

}

}//将字符串标记到bits中

publicvoidadd（Stringvalue）

{

for（SimpleHashf:

func）

{

bits.set（f.hash（value）,true）;

}

}//判断字符串是否已经被bits标记

publicbooleancontains（Stringvalue）

{

if（value==null）

{

returnfalse;

}

booleanret=true;

for（SimpleHashf:

func）

{

ret=ret&&bits.get（f.hash（value））;

}

returnret;

}/*哈希函数类*/

publicstaticclassSimpleHash

{

privateintcap;

privateintseed;publicSimpleHash（intcap,intseed）

{

this.cap=cap;

this.seed=seed;

}//hash函数，采用简单的加权和hash

publicinthash（Stringvalue）

{

intresult=0;

intlen=value.length（）;

for（inti=0;i<len;i++）

{

result=seed*result+value.charAt（i）;

}

return（cap-1）&result;

}

}

}

参考文献：

[1]PeiCao.BloomFilters-themath.

http:

//pages.cs.wisc.edu/~cao/papers/summary-cache/node8.html

[2]Wikipedia.Bloomfilter.

http:

//en.wikipedia.org/wiki/Bloom_filter

posted@2011-01-0219:

08苍梧阅读（36925）评论（25）编辑[置顶]遗传算法入门

优化算法入门系列文章目录（更新中）：

　　1.模拟退火算法

　　2.遗传算法

　　遗传算法（GA,GeneticAlgorithm），也称进化算法。

遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。

因此在介绍遗传算法前有必要简单的介绍生物进化知识。

一.进化论知识

　　作为遗传算法生物背景的介绍，下面内容了解即可：

　　种群（Population）：

生物的进化以群体的形式进行，这样的一个群体称为种群。

　　个体：

组成种群的单个生物。

　　基因（Gene）：

一个遗传因子。

　　染色体（Chromosome）：

包含一组的基因。

　　生存竞争，适者生存：

对环境适应度高的、牛B的个体参与繁殖的机会比较多，后代就会越来越多。

适应度低的个体参与繁殖的机会比较少，后代就会越来越少。

　　遗传与变异：

新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。

　　简单说来就是：

繁殖过程，会发生基因交叉（Crossover），基因突变（Mutation），适应度（Fitness）低的个体会被逐步淘汰，而适应度高的个体会越来越多。

那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。

二.遗传算法思想

　　借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。

这样进化N代后就很有可能会进化出适应度函数值很高的个体。

　　举个例子，使用遗传算法解决“0-1背包问题”的思路：

0-1背包的解可以编码为一串0-1字符串（0：

不取，1：

取）；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。

这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。

　　编码：

需要将问题的解编码成字符串的形式才能使用遗传算法。

最简单的一种编码方式是二进制编码，即将问题的解编码成二进制位数组的形式。

例如