概述
本质
本质：很长的二进制向量（数组）
主要作用：判断一个数据在这个数组中是否存在，如果不存在为0，存在为1
实例：将“你好”存入到布隆过滤器中——插入过程
- “你好”先经过三个（N）哈希函数，分别会计算三个哈希值
- 将三个哈希值映射到数组中，将对应下标位置改为1
查询过程：我们可以根据下标到布隆过滤器中查询数据是否存在，只有当三个下标查询的结果都为1的时候才能确认数据存在。只要有一个下标的二进制数据不是1就证明不存在。
注意，布隆过滤器很难做删除操作。
删除数据：
现状：下标为2的位置存储了两个数据：你好 & hello，在这种情况下，我们就不知道下标为2的这个地方是你好还是hello。这是由于这些数据由于一系列的hash运算计算出来的哈希值是相同的，哈希值相同导致根据哈希值计算出来的下标也是相同的。
这就会导致，我们在想要删除你好的时候，将下标为2的位置的数据由1改为0，这时就将hello的数据也给删除掉了，这样就会造成数据的误删除。
优缺点
优点：
- 二进制数组组成的数据，占用空间很小
- 插入和查询的速度很快，因为他是计算哈希值，再由哈希值映射到数组下标中，基于数组的特性，他的查询和插入时非常快的。只需要根据算好的下标找对应的数据即可，所以他的时间复杂度是O(N)
- 保密性非常好，他存储的数据都是0和1，别人根本不知道0和1这两个数据代表的含义是什么，并且它本事是不存储原始数据的。
缺点：
- 很难做删除的操作
- 容易出现误判，本身不存在与集合中，但是经过一系列的运算之后，他判断这个数据是存在于这个集合当中。这是由于，不同的数据计算出来的哈希值可能是相同的。
实际应用
代码实操：
误判率是会影响误判的结果的，并且误判率越低，出现误判的结果越少，但是也会造成运算的时间增长，执行效率降低。
是否可以将误判率设置的无限小呢？
- 误判率越小，计算时间越长，性能越差。
- 需要根据自己的业务情况来进行设置
误判率的底层原理
误判率为0.03的情况
误判率为0.01的情况
误判率越低占用的空间越大，使用的哈希函数个数越多
增加哈希函数的个数是为了降低出现哈希冲突的概率，每个哈希函数的算法是不同的，所以计算出来的结果也是不同的，哈希函数越多，计算出来的哈希值也越多，他所对应的二进制数据也越多。所以就会降低误判的个数。
解决redis缓存穿透问题：
问题描述：前端需要查询一个数据，但是redis中没有这个数据，于是就会到数据库中查询，就会导致前端请求直接打到数据库上，导致数据库压力过大。
解决原理：布隆过滤器的二进制数据是全局的,若数据库中存在数据,那么布隆过滤器就会在该数据请求过后标记数据的存在. 从而避免其他大量数据库不存在的数据请求
理解：
布隆过滤器其实就是用来过滤无效请求，例如一个查询商品详情的接口，参数是 商品id，如果有人恶意用循环请求，参数是0,1,2,3这些垃圾数据，每次都要穿透redis，去请求DB，就算缓存在redis了，那时间也不会长。这个时候可以把id 放在布隆过滤器中，先去判断传入的id 是否在布隆过滤器中，存在，就去继续后续流程，如果不存在，就认为是无效id ，直接返回。
