來源：https://mp.weixin.qq.com/mp/profile_ext?action=home&__biz=MzI0MzQyMTYzOQ==&scene=161#wechat_redirect
為什麼引入
我們的業務中經常會遇到穿庫的問題，通常可以通過緩存解決。如果數據維度比較多，結果數據集合比較大時，緩存的效果就不明顯了。
因此為了解決穿庫的問題，我們引入Bloom Filter。
適合的場景
- 數據庫防止穿庫 Google Bigtable，Apache HBase和Apache Cassandra以及Postgresql 使用BloomFilter來減少不存在的行或列的磁盤查找。避免代價高昂的磁盤查找會大大提高數據庫查詢操作的性能。如同一開始的業務場景。如果數據量較大，不方便放在緩存中。需要對請求做攔截防止穿庫。
- 緩存宕機 緩存宕機的場景，使用布隆過濾器會造成一定程度的誤判。原因是除了Bloom Filter 本身有誤判率，宕機之前的緩存不一定能覆蓋到所有DB中的數據，當宕機後用戶請求了一個以前從未請求的數據，這個時候就會產生誤判。當然，緩存宕機時使用布隆過濾器作為應急的方式，這種情況應該也是可以忍受的。
- WEB攔截器 相同請求攔截防止被攻擊。用戶第一次請求，將請求參數放入BloomFilter中，當第二次請求時，先判斷請求參數是否被BloomFilter命中。可以提高緩存命中率
- 惡意地址檢測 chrome 瀏覽器檢查是否是惡意地址。首先針對本地BloomFilter檢查任何URL，並且僅當BloomFilter返回肯定結果時才對所執行的URL進行全面檢查（並且用戶警告，如果它也返回肯定結果）。
- 比特幣加速 bitcoin 使用BloomFilter來加速錢包同步。
開源項目地址：https://github.com/luw2007/bloomfilter
我們先看看一般業務緩存流程：
先查詢緩存，緩存不命中再查詢數據庫。然後將查詢結果放在緩存中即使數據不存在，也需要創建一個緩存，用來防止穿庫。
這裡需要區分一下數據是否存在。如果數據不存在，緩存時間可以設置相對較短，防止因為主從同步等問題，導致問題被放大。
這個流程中存在薄弱的問題是，當用戶量太大時，我們會緩存大量數據空數據，並且一旦來一波冷用戶，會造成雪崩效應。
對於這種情況，我們產生第二個版本流程:redis過濾冷用戶緩存流程
我們將數據庫裡面中命中的用戶放在redis的set類型中，設置不過期。這樣相當把redis當作數據庫的索引，只要查詢redis，就可以知道是否數據存在。
redis中不存在就可以直接返回結果。如果存在就按照上面提到一般業務緩存流程處理。
聰明的你肯定會想到更多的問題：
- redis本身可以做緩存，為什麼不直接返回數據呢？
- 如果數據量比較大，單個set，會有性能問題？
- 業務不重要，將全量數據放在redis中，佔用服務器大量內存。投入產出不成比例？
問題1需要區分業務場景，結果數據少，我們是可以直接使用redis作為緩存，直接返回數據。結果比較大就不太適合用redis存放了。比如ugc內容，一個評論裡面可能存在上萬字，業務字段多。
redis使用有很多技巧。bigkey 危害比較大，無論是擴容或縮容帶來的內存申請釋放， 還是查詢命令使用不當導致大量數據返回，都會影響redis的穩定。這裡就不細談原因及危害了。
解決bigkey 方法很簡單。我們可以使用hash函數來分桶，將數據分散到多個key中。減少單個key的大小，同時不影響查詢效率。
問題3是redis存儲佔用內存太大。因此我們需要減少內存使用。重新思考一下引入redis的目的。redis像一個集合，整個業務就是驗證請求的參數是否在集合中。
這個結構就像洗澡的時候用的雙向閥門：左邊熱水，右邊冷水。
大部分的編程語言都內置了filter。拿python舉例，filter函數用於過濾序列， 過濾掉不符合條件的元素，返回由符合條件元素組成的列表。
我們看個例子：
<code>$ python2
Python 2.7.10 (default, Oct 6 2017, 22:29:07)
[GCC 4.2.1 Compatible Apple LLVM 9.0.0 (clang-900.0.31)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> s = {2, 4}
>>> filter(lambda x:x in s, [0, 1, 2])
[2]/<code>
集合s中存在 2，4兩個數字，我們需要查詢 0，1，2 那些在集合s中。 lambda x:x in s構造一個匿名函數，判斷入參x是否在集合s中。過濾器filter依次對列表中的數字執行匿名函數。最終返回列表[2]。
redis中實現set用了兩種結構：intset和hash table。非數字或者大量數字時都會退化成hash table。那麼是否好的算法可以節省hash table的大小呢？
其實早在1970年由Burton Howard Bloom提出的布隆過濾器（英語：Bloom Filter）。它實際上是一個很長的二進制向量和一系列隨機映射函數。布隆過濾器可以用於檢索一個元素是否在一個集合中。
它的優點是空間效率和查詢時間都遠遠超過一般的算法， 缺點是有一定的誤識別率和刪除困難。
BloomFilter原理
我們常見的將業務字段拼接之後md5，放在一個集合中。md5生成一個固定長度的128bit的串。如果我們用bitmap來表示，則需要
<code>2**128 = 340282366920938463463374607431768211456 bit/<code>
判斷一個值在不在，就變成在這個bitmap中判斷所在位是否為1。但是我們全世界的機器存儲空間也無法存儲下載。因此我們只能分配有限的空間來存儲。比如:
當只有一個hash函數時：很容易發生衝突。
可以看到上面1和2的hash結果都是7，發生衝突。如果增加hash函數，會發生什麼情況？
我們使用更多的hash函數和更大的數據集合來測試。得到下面這張表
由此可以看到當增加hash方法能夠有效的降低碰撞機率。比較好的數據如下：
但是增加了hash方法之後，會降低空間的使用效率。當集合佔用總體空間達到25%的時候， 增加hash 的效果已經不明顯
上面的使用多個hash方法來降低碰撞就是BloomFilter的核心思想。
算法優點：
- 數據空間小，不用存儲數據本身。
算法本身缺點：
- 元素可以添加到集合中，但不能被刪除。
- 匹配結果只能是“絕對不在集合中”，並不能保證匹配成功的值已經在集合中。
- 當集合快滿時，即接近預估最大容量時，誤報的概率會變大。
- 數據佔用空間放大。一般來說，對於1％的誤報概率，每個元素少於10比特，與集合中的元素的大小或數量無關。查詢過程變慢，hash函數增多，導致每次匹配過程，需要查找多個位（hash個數）來確認是否存在。
對於BloomFilter的優點來說，缺點都可以忽略。畢竟只需要kN的存儲空間就能存儲N個元素。空間效率十分優秀。
如何使用BloomFilter
BloomFilter 需要一個大的bitmap來存儲。鑑於目前公司現狀，最好的存儲容器是redis。從github topics: bloom-filter中經過簡單的調研。
redis集成BloomFilter方案：
- 原生python 調用setbit 構造 BloomFilter
- lua腳本
- Rebloom - Bloom Filter Module for Redis (注：redis Module在redis4.0引入)
- 使用hiredis 調用redis pyreBloom
原生python 方法太慢，lua腳本和module 部署比較麻煩。於是我們推薦使用pyreBloom，底層使用。
<code>pyreBloom:master λ ls
Makefile bloom.h bloom.pxd murmur.c pyreBloom.pyx
bloom.c bloom.o main.c pyreBloom.c/<code>
從文件命名上可以看到bloom 使用c編寫。pyreBloom 使用cython編寫。
bloom.h 裡面實現BloomFilter的核心邏輯，完成與redis server的交互；hash函數；添加，檢查和刪除方法的實現。
pyreBloom.pyx
import math
import random
cimport bloom
class pyreBloomException(Exception):
'''Some sort of exception has happened internally'''
pass
cdef class pyreBloom(object):
cdef bloom.pyrebloomctxt context
cdef bytes key
property bits:
def __get__(self):
return self.context.bits
property hashes:
def __get__(self):
return self.context.hashes
def __cinit__(self, key, capacity, error, host='127.0.0.1', port=6379,
password='', db=0):
self.key = key
if bloom.init_pyrebloom(&self.context, self.key, capacity,
error, host, port, password, db):
raise pyreBloomException(self.context.ctxt.errstr)
def __dealloc__(self):
bloom.free_pyrebloom(&self.context)
def delete(self):
bloom.delete(&self.context)
def put(self, value):
if getattr(value, '__iter__', False):
r = [bloom.add(&self.context, v, len(v)) for v in value]
r = bloom.add_complete(&self.context, len(value))
else:
bloom.add(&self.context, value, len(value))
r = bloom.add_complete(&self.context, 1)
if r < 0:
raise pyreBloomException(self.context.ctxt.errstr)
return r
def add(self, value):
return self.put(value)
def extend(self, values):
return self.put(values)
def contains(self, value):
#If the object is 'iterable'...
if getattr(value, '__iter__', False):
r = [bloom.check(&self.context, v, len(v)) for v in value]
r = [bloom.check_next(&self.context) for i in range(len(value))]
if (min(r) < 0):
raise pyreBloomException(self.context.ctxt.errstr)
return [v for v, included in zip(value, r) if included]
else:
bloom.check(&self.context, value, len(value))
r = bloom.check_next(&self.context)
if (r < 0):
raise pyreBloomException(self.context.ctxt.errstr)
return bool(r)
def __contains__(self, value):
return self.contains(value)
def keys(self):
'''Return a list of the keys used in this bloom filter'''
return [self.context.keys[i] for i in range(self.context.num_keys)]
原生pyreBloom方法:
cdef class pyreBloom(object):cdef bloom.pyrebloomctxt contextcdef bytesproperty bits:property hashes:// 使用的hash方法數def delete(self):// 刪除，會在redis中刪除def put(self, value):// 添加 底層方法, 不建議直接調用def add(self, value):// 添加單個元素，調用put方法def extend(self, values):// 添加一組元素，調用put方法def contains(self, value):// 檢查是否存在，當`value`可以迭代時，返回`[value]`, 否則返回`bool`def keys(self):// 在redis中存儲的key列表
由於pyreBloom使用hiredis庫，本身沒有重連等邏輯，於是做了簡單的封裝。
#coding=utf-8
'''
bloom filter 基礎模塊
可用方法:
extend, keys, contains, add, put, hashes, bits, delete
使用方法:
>>> class TestModel(BaseModel):
... PREFIX = "bf:test"
>>> t = TestModel()
>>> t.add('hello')
1
>>> t.extend(['hi', 'world'])
2
>>> t.contains('hi')
True
>>> t.delete()
'''
import logging
from six import PY3 as IS_PY3
from pyreBloom import pyreBloom, pyreBloomException
from BloomFilter.utils import force_utf8
class BaseModel(object):
'''
bloom filter 基礎模塊
參數：
SLOT: 可用方法類型
PREFIX: redis前綴
BF_SIZE: 存儲最大值
BF_ERROR: 允許的出錯率
RETRIES: 連接重試次數
host: redis 服務器IP
port: redis 服務器端口
db: redis 服務器DB
_bf_conn: 內部保存`pyreBloom`實例
'''
SLOT = {'add', 'contains', 'extend', 'keys', 'put', 'delete',
'bits', 'hashes'}
PREFIX = ""
BF_SIZE = 100000
BF_ERROR = 0.01
RETRIES = 2
def __init__(self, redis=None):
'''
初始化redis配置
:param redis: redis 配置
'''
#這裡初始化防止類靜態變量多個繼承類複用，導致數據被汙染
self._bf_conn = None
self._conf = {
'host': '127.0.0.1', 'password': '',
'port': 6379, 'db': 0
}
if redis:
for k, v in redis.items():
if k in self._conf:
self._conf[k] = redis[k]
self._conf = force_utf8(self._conf)
@property
def bf_conn(self):
'''
初始化pyreBloom
'''
if not self._bf_conn:
prefix = force_utf8(self.PREFIX)
logging.debug(
'pyreBloom connect: redis://%s:%s/%s, (%s%s%s)',
self._conf['host'], self._conf['port'], self._conf['db'],
prefix, self.BF_SIZE, self.BF_ERROR,
)
self._bf_conn = pyreBloom(
prefix, self.BF_SIZE, self.BF_ERROR, **self._conf)
return self._bf_conn
def __getattr__(self, method):
'''調用pyrebloom方法
沒有枚舉的方法將從`pyreBloom`中獲取
:param method:
:return: pyreBloom.{method}
'''
#只提供內部方法
if method not in self.SLOT:
raise NotImplementedError()
#捕獲`pyreBloom`的異常, 打印必要的日誌
def catch_error(*a, **kwargs):
'''多次重試服務'''
args = force_utf8(a)
kwargs = force_utf8(kwargs)
for _ in range(self.RETRIES):
try:
func = getattr(self.bf_conn, method)
res = func(*args, **kwargs)
#python3 返回值和python2返回值不相同，
#手工處理返回類型
if method == 'contains' and IS_PY3:
if isinstance(res, list):
return [i.decode('utf8') for i in res]
return res
except pyreBloomException as error:
logging.warn(
'pyreBloom Error:%s%s', method, str(error))
self.reconnect()
if _ == self.RETRIES:
logging.error('pyreBloom Error')
raise error
return catch_error
def __contains__(self, item):
'''跳轉__contains__方法
:param item: 查詢元素列表/單個元素
:type item: list/basestring
:return: [bool...]/bool
'''
return self.contains(item)
def reconnect(self):
'''
重新連接bloom
`pyreBloom` 連接使用c driver，沒有提供timeout參數，使用了內置的timeout
同時為了保證服務的可靠性，增加了多次重試機制。
struct timeval timeout = { 1, 5000 };
ctxt->ctxt = redisConnectWithTimeout(host, port, timeout);
del self._bf_conn 會調用`pyreBloom`內置的C的del方法，會關閉redis連接
'''
if self._bf_conn:
logging.debug('pyreBloom reconnect')
del self._bf_conn
self._bf_conn = None
_ = self.bf_conn
進階：計數過濾器(Counting Filter)
提供了一種在BloomFilter上實現刪除操作的方法，而無需重新重新創建過濾器。在計數濾波器中，陣列位置（桶）從單個位擴展為n位計數器。實際上，常規布隆過濾器可以被視為計數過濾器，其桶大小為一位。
插入操作被擴展為遞增桶的值，並且查找操作檢查每個所需的桶是否為非零。然後，刪除操作包括遞減每個桶的值。
存儲桶的算術溢出是一個問題，並且存儲桶應該足夠大以使這種情況很少見。如果確實發生，則增量和減量操作必須將存儲區設置為最大可能值，以便保留BloomFilter的屬性。
計數器的大小通常為3或4位。因此，計算布隆過濾器的空間比靜態布隆過濾器多3到4倍。相比之下， Pagh，Pagh和Rao（2005）以及Fan等人的數據結構。（2014）也允許刪除但使用比靜態BloomFilter更少的空間。
計數過濾器的另一個問題是可擴展性有限。由於無法擴展計數布隆過濾器表，因此必須事先知道要同時存儲在過濾器中的最大鍵數。一旦超過表的設計容量，隨著插入更多密鑰，誤報率將迅速增長。
Bonomi等人。（2006）引入了一種基於d-left散列的數據結構，它在功能上是等效的，但使用的空間大約是計算BloomFilter的一半。此數據結構中不會出現可伸縮性問題。一旦超出設計容量，就可以將密鑰重新插入到雙倍大小的新哈希表中。
Putze，Sanders和Singler（2007）的節省空間的變體也可用於通過支持插入和刪除來實現計數過濾器。
Rottenstreich，Kanizo和Keslassy（2012）引入了一種基於變量增量的新通用方法，該方法顯著提高了計算布隆過濾器及其變體的誤報概率，同時仍支持刪除。
與計數布隆過濾器不同，在每個元素插入時，散列計數器以散列變量增量而不是單位增量遞增。要查詢元素，需要考慮計數器的確切值，而不僅僅是它們的正面性。如果由計數器值表示的總和不能由查詢元素的相應變量增量組成，則可以將否定答案返回給查詢。
閱讀更多 刀哥談Java 的文章
