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.docx](https://file1.bdocx.com/fileroot1/2022-10/29/9408c5e8-866d-4741-a307-f901abf8f719/9408c5e8-866d-4741-a307-f901abf8f7191.gif)
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