go 布隆过滤器_布隆过滤器 redis

Jetbrains全系列IDE稳定放心使用

最近面临这样的场景：

2亿+数据需要调用后端服务A，业务需要1min处理完成，那么A服务承载的tps达到惊人的300w……必须想办法降低tps。

那么方案来了：1、把时间窗口拉长 2、降低待处理数据量。

拉长时间业务肯定是接受不了的，但是按照以往的经验，这部分数据并不全部需要处理，可能仅有一半真正需要调用A服务，所以我们可以把1亿数据给过滤掉。

这里我们维护一个布隆过滤器来进行数据的过滤。

1. 布隆过滤器的概念（百科）

布隆过滤器（Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都比一般的算法要好的多，缺点是有一定的误识别率和删除困难。

2. 布隆过滤器应用场景

deny list

数据判重

预过滤

3. 原理

核心是一个长度为m的bit array和k个hash方法。

如下图，我们将一个newsid通过3个hash方法映射到长为8的数组上。

判断newsid是否存在，则看数组中3个位置是否都取到1：全为1，newsid可能存在于集合中；不全为1，newsid一定不存在于集合中。

4. 特性

容易发现，布隆过滤器存在假阳性的情况，即将不在集合中的元素误判为在集合中。过滤器中的元素个数越多，假阳性的可能性越大。

同时，元素可以被加入过滤器，但很难从过滤器中删除（有可能删除的当前元素与其他元素共享了某一个bit，造成假阴性）。

根据假阳性率计算公式：

可知在哈希函数的个数k一定的情况下：

• 位数组长度m越大，假阳性率越低；
• 已插入元素的个数n越大，假阳性率越高。

5. 上代码

// CalBloomSize 计算布隆过滤器位图大小
// elemNum 元素个数
// errorRate 误判率
func CalBloomSize(elemNum uint64, errRate float64) uint64 {
   var bloomBitsSize = float64(elemNum) * math.Log(errRate) / (math.Log(2) * math.Log(2)) * (-1)
   return uint64(math.Ceil(bloomBitsSize))
}

// CalHashFuncNum 计算需要的哈希函数数量
// elemNum 元素个数
// bloomSize 布隆过滤器位图大小
func CalHashFuncNum(elemNum, bloomSize uint64) uint64 {
   var k = math.Log(2) * float64(bloomSize) / float64(elemNum)
   return uint64(math.Ceil(k))
}

// Filter
type Filter struct {
   ElemNum     uint64
   BloomSize   uint64 
   HashFuncNum uint64
   ErrRate     float64

   bitMap *bitset.BitSet
   keys   map[uint32]bool
}

// NewFilter NewFilter
func NewFilter(elemNum, bloomSize, hashFuncNum uint64, errRate float64) *Filter {
   return &Filter{ElemNum: elemNum, BloomSize: bloomSize, HashFuncNum: hashFuncNum, ErrRate: errRate}
}

// Init 初始化布隆过滤器
func (f *Filter) Init() {
   // 分配布隆过滤器位图
   f.bitMap = bitset.New(uint(f.BloomSize))
   // 初始化哈希函数
   // 是否是类似HMAC-SHA256那种通过改变passphase值形成不同的哈希函数
   f.keys = make(map[uint32]bool)
   for uint64(len(f.keys)) < f.HashFuncNum {
      randNum, err := rand.Int(rand.Reader, new(big.Int).SetUint64(math.MaxUint32))
      if err != nil {
         panic(err)
      }
      f.keys[uint32(randNum.Uint64())] = true
   }
}

// Add  Add
func (f *Filter) Add(elem []byte) {
   var buf [4]byte
   for k := range f.keys {
      binary.LittleEndian.PutUint32(buf[:], k)
      hashResult := new(big.Int).SetBytes(HMACWithSHA128(elem, buf[:]))
      result := hashResult.Mod(hashResult, big.NewInt(int64(f.BloomSize)))
      // 把result对应的bit置1
      f.bitMap.Set(uint(result.Uint64()))
   }
}

// IsContain 判断元素是否在集合里面
func (f *Filter) IsContain(elem []byte) bool {
   var buf [4]byte
   for k := range f.keys {
      binary.LittleEndian.PutUint32(buf[:], k)
      hashResult := new(big.Int).SetBytes(HMACWithSHA128(elem, buf[:]))
      result := hashResult.Mod(hashResult, big.NewInt(int64(f.BloomSize)))
      // 查询result对应的bit是否被置1
      if !f.bitMap.Test(uint(result.Uint64())) {
         return false
      }
   }
   return true
}

// HMACWithSHA128 通过加盐生成不同的hash值
func HMACWithSHA128(seed []byte, key []byte) []byte {
   hmac512 := hmac.New(sha1.New, key)
   hmac512.Write(seed)
   return hmac512.Sum(nil)
}

测试：2亿长16B的元素，失误率0.0001,分配到过滤器需要0.4G,如果放hash表，则需要3.2G