大规模数据处理Bloom Filter C++代码实现

大局限数据处理赏罚Bloom Filter C++代码实现

?

Bloom Filter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。凡是应用在一些必要快速判定某个元素是否属于荟萃，可是并不严酷要求100%正确的场所。

一. 实例?

　　为了声名Bloom Filter存在的重要意义，举一个实例：

　　假设要你写一个收集蜘蛛（web crawler）。因为收集间的链接错综伟大，蜘蛛在收集间爬行很也许会形成“环”。为了停止形成“环”，就必要知道蜘蛛已经会见过那些URL。给一个URL，奈何知道蜘蛛是否已经会见过呢？轻微想想，就会有如下几种方案：

　　1. 将会见过的URL生涯到数据库。

　　2. 用HashSet将会见过的URL生涯起来。那只需靠近O(1)的价钱就可以查到一个URL是否被会见过了。

　　3. URL颠末MD5或SHA-1等单向哈希后再生涯到HashSet或数据库。

　　4. Bit-Map要领。成立一个BitSet，将每个URL颠末一个哈希函数映射到某一位。

　　要领1~3都是将会见过的URL完备生涯，要领4则只标志URL的一个映射位。

　　以上要领在数据量较小的环境下都能美满办理题目，可是当数据量变得很是复杂时题目就来了。

　　要领1的弱点：数据量变得很是复杂后相关型数据库查询的服从会变得很低。并且每来一个URL就启动一次数据库查询是不是太小题大做了？

　　要领2的弱点：太耗损内存。跟着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，就必要5GB内存。

　　要领3：因为字符串颠末MD5处理赏罚后的信息择要长度只有128Bit，SHA-1处理赏罚后也只有160Bit，因此要领3比要领2节减了好几倍的内存。

　　要领4耗损内存是相对较少的，但弱点是单一哈希函数产生斗嘴的概率太高。还记得数据布局课上学过的Hash表斗嘴的各类办理要领么？若要低落斗嘴产生的概率到1%，就要将BitSet的长度配置为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前提：应承小概率的堕落，不必然要100%精确！也就是说少量url现实上没有没收集蜘蛛会见，而将它们错判为已会见的价钱是很小的――大不了少抓几个网页呗。?

二. Bloom Filter的算法?

　　空话说到这里，下面引入本篇的主角――Bloom Filter。着实上面要领4的头脑已经很靠近Bloom Filter了。要领四的致命弱点是斗嘴概率高，为了低落斗嘴的观念，Bloom Filter行使了多个哈希函数，而不是一个。

?? 　Bloom Filter算法如下：

??　?建设一个m位BitSet，先将全部位初始化为0，然后选择k个差异的哈希函数。第i个哈希函数对字符串str哈希的功效记为h（i，str），且h（i，str）的范畴是0到m-1 。

(1) 插手字符串进程?

　　下面是每个字符串处理赏罚的进程，起首是将字符串str“记录”到BitSet中的进程：

　　对付字符串str，别离计较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.Bloom Filter插手字符串进程

　　很简朴吧？这样就将字符串str映射到BitSet中的k个二进制位了。

(2) 搜查字符串是否存在的进程?

　　下面是搜查字符串str是否被BitSet记录过的进程：

　　对付字符串str，别离计较h（1，str），h（2，str）…… h（k，str）。然后搜查BitSet的第h（1，str）、h（2，str）…… h（k，str）位是否为1，若个中任何一位不为1则可以鉴定str必然没有被记录过。若所有位都是1，则“以为”字符串str存在。

　　若一个字符串对应的Bit不全为1，则可以必定该字符串必然没有被Bloom Filter记录过。（这是显然的，由于字符串被记录过，其对应的二进制位必定所有被设为1了）

　　可是若一个字符串对应的Bit全为1，现实上是不能100%的必定该字符串被Bloom Filter记录过的。（由于有也许该字符串的全部位都恰恰是被其他字符串所对应）这种将该字符串分别错的环境，称为false positive 。

(3) 删除字符串进程?

?? 字符串插手了就被不能删除了，由于删除会影响到其他字符串。其实必要删除字符串的可以行使Counting bloomfilter(CBF)，这是一种根基Bloom Filter的变体，CBF将根基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成果了。

　　Bloom Filter跟单哈希函数Bit-Map差异之处在于：Bloom Filter行使了k个哈希函数，每个字符串跟k个bit对应。从而低落了斗嘴的概率。

三. Bloom Filter参数选择?

?? (1)哈希函数选择

?? 　　哈希函数的选择对机能的影相应该是很大的，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个差异的哈希函数较量贫困，一种简朴的要领是选择一个哈希函数，然后送入k个差异的参数。

?? (2)Bit数组巨细选择?

?? 　　哈希函数个数k、位数组巨细m、插手的字符串数目n的相关可以参考(http://pages.cs.wisc.edu/~cao/papers/summary-cache/node8.html)。该文献证明白对付给定的m、n，当 k = ln(2)* m/n 时堕落的概率是最小的。

?? 　　同时该文献还给出特定的k，m，n的堕落概率。譬喻：按照参考文献1，哈希函数个数k取10，位数组巨细m设为字符串个数n的20倍时，false positive产生的概率是0.0000889 ，这个概率根基能满意收集爬虫的需求了。??

四. Bloom Filter实当代码?

class?BloomFilter
{
public:
????BloomFilter(const?char?*name,?uint32_t?valueCount)
????{
????????AbortAssert(name?!=?NULL);
????????uint32_t?bitCount?=?20*valueCount;
????????m_MemSize?=?m_HeadSize?+?(bitCount/32)*4?+?4;
????????m_MemAddr?=?(uint8_t*)MemFile::Realloc(name,?m_MemSize);
????????AbortAssert(m_MemAddr?!=?NULL);
????????m_HeadAddr?=?(FilterHead?*)m_MemAddr;
????????m_FilterAddr?=?m_MemAddr?+?m_HeadSize;
????????m_HeadAddr->m_ValueCount?=?valueCount;
????????m_HeadAddr->m_BitCount?=?bitCount;
????????strncpy(m_HeadAddr->m_FilterName,?name,?sizeof(m_HeadAddr->m_FilterName));
????}
????
????virtual?~BloomFilter()
????{
????????MemFile::Release(m_MemAddr,?m_MemSize);
????}
????
????bool?Add(const?void?*value,?size_t?size)
????{
????????for(uint32_t?i?=?0;?i?<?m_SeedCount;?++i)?
????????{
????????????uint64_t?key?=?HashKey(value,?size,?i);
????????????uint32_t?key1?=?(key?>>?32)?&?0xffffffff;
????????????uint32_t?key2?=?key?&?0xffffffff;
????????????SetBit(key1?%?m_HeadAddr->m_BitCount);
????????????SetBit(key2?%?m_HeadAddr->m_BitCount);
????????}
????
????????++(m_HeadAddr->m_AddCount);
????
????????return?true;
????}
????bool?Exist(const?void?*value,?i);
????????????uint32_t?key1?=?(key?>>?32)?&?0xffffffff;
????????????uint32_t?key2?=?key?&?0xffffffff;
????
????????????if(0?==?GetBit(key1?%?m_HeadAddr->m_BitCount))?return?false;
????
????????????if(0?==?GetBit(key2?%?m_HeadAddr->m_BitCount))?return?false;
????????}
????
????????return?true;
????}
????uint32_t?Count()
????{
????????return?m_HeadAddr->m_AddCount;
????}
private:
????static?const?uint32_t?m_SeedCount?=?6;
????static?const?uint32_t?m_HeadSize?=?1024;
????struct?FilterHead
????{
????????uint32_t?m_ValueCount;
????????uint32_t?m_BitCount;
????????uint32_t?m_AddCount;
????????char?????m_FilterName[256];
????};
????uint32_t????m_MemSize;
????uint8_t????*m_MemAddr;
????FilterHead?*m_HeadAddr;
????uint8_t????*m_FilterAddr;
????uint64_t?HashKey(const?void?*value,?size_t?size,?uint32_t?index)
????{
????????uint64_t?hashSeed[m_SeedCount]?=?{7,?11,?13,?19,?31,?37};
????????
????????const?uint8_t?*tmp?=?(const?uint8_t?*)value;
????????uint64_t?key?=?0;
????????for(size_t?i?=?0;?i?<?size;?++i)
????????{
????????????key?=?key?*?hashSeed[index]?+?tmp[i];
????????}
????
????????return?key;
????}
????void?SetBit(uint32_t?n)
????{
????????m_FilterAddr[n/8]?|=?(1?<<?(n%8));
????}
????int?GetBit(uint32_t?n)
????{
????????return?(m_FilterAddr[n/8]?&?(1<<(n%8)));
????}
????void?Clear()
????{
????????m_HeadAddr->m_AddCount?=?0;
????????memset(m_FilterAddr,?0,?m_HeadAddr->m_BitCount?/?32?*?4);
????}
????DISABLE_COPY_AND_ASSIGN(BloomFilter);
};

?

转自：注：前面理论先容部门转载自http://www.cnblogs.com/heaad/archive/2011/01/02/1924195.html

?

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!