哈希的应用--位图和布隆过滤器（下）

布隆过滤器

在上面我们用位图很好的解决了多重整数高效查询的问题，那么我们在面对字符串时，该如何解决呢？

1. 布隆过滤器的提出

布隆过滤器（Bloom Filter）是由布隆在1970年提出的，它是一种空间效率高、查询速度快的数据结构，主要用于判断一个元素是否属于一个集合。布隆过滤器的提出解决了在大规模数据集中进行高效查找的问题，特别是当内存或存储有限的情况下。

以下是布隆过滤器的提出背景和主要原理：

提出背景： 在计算机科学中，一些常见的问题包括查找元素是否在某个集合中，如单词拼写检查、垃圾邮件过滤、URL检测等。传统的数据结构如散列表或树结构可以解决这些问题，但它们在存储和查询效率上存在一些限制，特别是在面对大规模数据集时。因此，布隆过滤器的提出是为了解决这些限制。

原理： 布隆过滤器的核心思想是使用一个位数组（Bit Array）和多个哈希函数。其主要工作步骤如下：

1. 初始化：创建一个位数组，初始所有位为0，以及选择多个不同的哈希函数。
2. 插入元素：当需要插入一个元素时，将该元素经过多个哈希函数的映射，得到多个不同的位，然后将这些位设置为1。
3. 查询元素：当需要查询一个元素是否在集合中时，将该元素经过多个哈希函数的映射，得到多个位的位置，然后检查这些位是否都为1。如果所有位都为1，则认为元素可能存在于集合中；如果任何一个位为0，则可以确定元素不存在于集合中。

特点：

• 布隆过滤器具有高效的查询速度，因为它不需要实际存储元素本身，而只需要检查位数组中的位。
• 布隆过滤器可能会出现误判，即元素被判断为存在于集合中，但实际上并不在，但不会有漏判，即如果元素不在集合中，布隆过滤器不会将其判断为存在。
• 布隆过滤器的空间效率很高，因为它可以存储大量元素而占用很少的内存。

2. 布隆过滤器的插入

布隆过滤器的插入过程是其核心操作之一，用于将元素添加到布隆过滤器中，以便后续查询该元素是否存在于集合中。下面是布隆过滤器的插入过程的详细解释：

1. 初始化：首先，创建一个布隆过滤器，它包括一个位数组（Bit Array）和多个哈希函数。位数组中的每个位都初始化为0。
2. 插入元素：要将一个元素插入布隆过滤器，执行以下步骤：

• 哈希函数：使用预先选择的多个哈希函数，将要插入的元素映射为多个不同的位索引。每个哈希函数都会生成一个位索引，通常使用不同的种子值来确保生成不同的位索引。
• 设置位：对于每个哈希函数生成的位索引，将相应的位数组中的位设置为1。这表示元素已经存在于布隆过滤器中。

3. 完成插入：一旦对元素执行了上述步骤，插入过程就完成了。元素已被记录在位数组中，以后可以查询该元素是否存在于集合中。

注意事项：

• 布隆过滤器不存储实际元素本身，只存储元素的哈希值或映射后的位索引。因此，插入操作是基于哈希值的，而不是实际元素。
• 哈希函数的数量和质量对布隆过滤器的性能至关重要。更多的哈希函数通常意味着更低的误判率，但也需要更多的计算资源。选择哈希函数时应考虑平衡性能和内存占用。
• 插入操作通常是快速的，因为它涉及位数组的直接设置，而不需要大量内存操作。这是布隆过滤器高效的一个原因之一。

插入过程使布隆过滤器记录了元素的存在，使后续的查询操作成为可能。查询操作会利用相同的哈希函数，检查位数组中的位来确定元素是否在集合中。这使得布隆过滤器在查找元素是否存在时非常高效，尤其适用于大规模数据集和资源有限的环境。

还需要注意的是，哈希参数当然是越多误判率越低，但是面临的问题就是内存也会越来越大，所以我们需要找到最合适的哈希函数个数，关于这一点，我们可以参考知乎大佬的一篇文章

知乎大佬文章链接

具体总结为

3. 布隆过滤器的查找

布隆过滤器的思想是将一个元素用多个哈希函数映射到一个位图中，因此被映射到的位置的比特位一定为1。所以可以按照以下方式进行查找：分别计算每个哈希值对应的比特位置存储的是否为零，只要有一个为零，代表该元素一定不在哈希表中，否则可能在哈希表中

注意：布隆过滤器如果说某个元素不存在时，该元素一定不存在，如果该元素存在时，该元素可能存在，因为有些哈希函数存在一定的误判

比如：在布隆过滤器中查找"alibaba"时，假设3个哈希函数计算的哈希值为：1、3、7，刚好和其他元素的比特位重叠，此时布隆过滤器告诉该元素存在，但实该元素是不存在的，存在可能存在误判，但是不存在不会存在误判

4. 布隆过滤器的删除

布隆过滤器不能直接支持删除工作，因为在删除一个元素时，可能会影响其他元素

比如：删除其中一个元素，如果直接将该元素所对应的二进制比特位置0，另一元素也被删除了，因为这两个元素在多个哈希函数计算出的比特位上刚好有重叠

一种支持删除的方法：将布隆过滤器中的每个比特位扩展成一个小的计数器，插入元素时给k个计数器(k个哈希函数计算出的哈希地址)加一，删除元素时，给k个计数器减一，通过多占用几倍存储空间的代价来增加删除操作

5. 布隆过滤器的实现

在这里我们先实现3个哈希函数

struct HashBKDR
{
  // BKDR
  size_t operator()(const string& key)
  {
    size_t val = 0;
    for (auto ch : key)
    {
      val *= 131;
      val += ch;
    }
    return val;
  }
};
struct HashAP
{
  // BKDR
  size_t operator()(const string& key)
  {
    size_t hash = 0;
    for (size_t i = 0; i < key.size(); i++)
    {
      if ((i & 1) == 0)
      {
        hash ^= ((hash << 7) ^ key[i] ^ (hash >> 3));
      }
      else
      {
        hash ^= (~((hash << 11) ^ key[i] ^ (hash >> 5)));
      }
    }
    return hash;
  }
};
struct HashDJB
{
  // BKDR
  size_t operator()(const string& key)
  {
    size_t hash = 5381;
    for (auto ch : key)
    {
      hash += (hash << 5) + ch;
    }
    return hash;
  }
};

1. BKDR哈希函数(Bentley and Sedgewick, 1997)：

• BKDR哈希函数使用一个常数因子131，以及遍历字符串中的字符。
• 对于每个字符，它将当前哈希值乘以131，然后加上字符的ASCII码值。
• 最终，它返回计算得到的哈希值。

2. AP哈希函数(Arjen Lenstra and Endre Szemerédi’s hash function)：

• AP哈希函数使用一系列位运算和异或操作来处理字符串中的字符。
• 对于每个字符，它会根据字符的位置（奇数或偶数）应用不同的位运算操作。
• 最终，它返回计算得到的哈希值。

3. DJB哈希函数(Daniel J. Bernstein, 1991)：

• DJB哈希函数使用一个初始哈希值5381，以及遍历字符串中的字符。
• 对于每个字符，它将当前哈希值左移5位，然后加上字符的ASCII码值。
• 最终，它返回计算得到的哈希值。

布隆过滤器代码

// N表示准备要映射N个值
template<size_t N, 
class K = string, class Hash1 = HashBKDR, class Hash2 = HashAP, class Hash3 = HashDJB>
class BloomFilter
{
public:
  void Set(const K& key)
  {
    size_t hash1 = Hash1()(key) % (_ratio*N);
    //cout << hash1 << endl;
    _bits->set(hash1);
    size_t hash2 = Hash2()(key) % (_ratio*N);
    //cout << hash2 << endl;
    _bits->set(hash2);
    size_t hash3 = Hash3()(key) % (_ratio*N);
    //cout << hash3 << endl;
    _bits->set(hash3);
  }
  bool Test(const K& key)
  {
    size_t hash1 = Hash1()(key) % (_ratio*N);
    //cout << hash1 << endl;
    if (!_bits->test(hash1))
      return false; // 准确的
    size_t hash2 = Hash2()(key) % (_ratio*N);
    //cout << hash2 << endl;
    if (!_bits->test(hash2))
      return false; // 准确的
    size_t hash3 = Hash3()(key) % (_ratio*N);
    //cout << hash3 << endl;
    if (!_bits->test(hash3))
      return false;  // 准确的
    return true; // 可能存在误判
  }
private:
  const static size_t _ratio = 5;
  std::bitset<_ratio*N>* _bits = new std::bitset<_ratio*N>;
};

• Set(const K& key)：

• Set 方法用于将元素插入布隆过滤器中。
• 它分别使用三个哈希函数将元素映射到位数组中的三个位置，然后将这三个位置的位设置为1。
• 这样，插入操作将三次设置位操作，将元素标记为存在于布隆过滤器中。

• Test(const K& key)：

• Test 方法用于测试元素是否存在于布隆过滤器中。
• 与插入相似，它使用三个哈希函数将元素映射到三个位数组位置，并检查这三个位置的位是否都为1。
• 如果有一个位置的位为0，说明元素不在布隆过滤器中，返回 false。
• 如果三个位置的位都为1，可能存在误判，返回 true。

这个布隆过滤器可以用于在快速查找集合中的元素是否存在，但需要注意，它存在误判的可能性，即可能会将不在集合中的元素判断为存在。_ratio 在这个布隆过滤器实现中是一个倍数，它决定了位数组的大小。位数组的大小是 _ratio * N，其中 N 表示准备要映射的值的数量。具体来说，这个倍数 _ratio 用于控制位数组的大小以平衡误判率和内存使用。增加 _ratio 会增加位数组的大小，从而减小误判率，但也会增加内存占用。减小 _ratio 会减小位数组的大小，降低内存占用，但也会增加误判率。

6. 布隆过滤器优点

1. 增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数，一般比较小)，与数据量大小无关
2. 哈希函数相互之间没有关系，方便硬件并行运算
3. 布隆过滤器不需要存储元素本身，在某些对保密要求比较严格的场合有很大优势
4. 在能够承受一定的误判时，布隆过滤器比其他数据结构有这很大的空间优势
5. 数据量很大时，布隆过滤器可以表示全集，其他数据结构不能
6. 使用同一组散列函数的布隆过滤器可以进行交、并、差运算

7. 布隆过滤器缺陷

1. 有误判率，即存在假阳性(False Position)，即不能准确判断元素是否在集合中(补救方法：再建立一个白名单，存储可能会误判的数据)
2. 不能获取元素本身
3. 一般情况下不能从布隆过滤器中删除元素
4. 如果采用计数方式删除，可能会存在计数回绕问题

8. 布隆过滤器的应用

给一个超过100G大小的log file, log中存着IP地址, 设计算法找到出现次数最多的IP地址？与上题条件相同，如何找到top K的IP？如何直接用Linux系统命令实现？

使用布隆过滤器和哈希切割

1. 建立布隆过滤器：首先，创建一个合适大小的布隆过滤器。布隆过滤器的位数组大小需要足够大，以容纳所有可能的IP地址。
2. 遍历日志文件：逐行遍历日志文件，提取每行中的IP地址。
3. 哈希切割：对每个提取的IP地址应用一种哈希函数来将其映射到布隆过滤器的位数组上。这可以使用布隆过滤器的 Set 方法来实现。
4. 统计次数：同时，维护一个哈希表，其中键是IP地址，值是出现的次数。在哈希切割过程中，检查IP是否已存在于表中，如果存在，则增加其出现次数。
5. 查询次数最多的IP：在遍历完整个日志文件后，您可以遍历字典，找到出现次数最多的IP地址。
6. 查询top K的IP：要找到top K的IP地址，可以对字典按照出现次数进行排序，然后选择前K个IP地址。

使用Linux系统命令

Linux系统提供了一些强大的命令行工具来处理文本文件，可以使用这些工具来解决问题：

1. 使用awk命令或grep命令提取日志文件中的IP地址。
2. 使用sort命令对提取的IP地址进行排序。
3. 使用uniq -c命令统计IP地址的出现次数。
4. 使用sort -nr命令按出现次数对IP地址进行逆序排序。
5. 使用head命令来获取top K的IP地址。

示例命令行操作：

cat log_file.log | grep -oE "\b([0-9]{1,3}\.){3}[0-9]{1,3}\b" | sort | uniq -c | sort -nr | head -n K

这将列出出现次数最多的top K个IP地址。

无论使用哪种方法，都需要根据实际需求和性能要求来选择。使用布隆过滤器和哈希切割的方法可能需要编写自定义代码，但可以处理非常大的数据集。使用Linux系统命令则更加简单，但可能受限于系统资源和性能。

给两个文件，分别有100亿个query，我们只有1G内存，如何找到两个文件交集？分别给出精确算法和近似算法

在这种情况下，由于内存有限，需要使用外部排序（external sorting）技术来处理这两个大型文件并找到它们的交集。外部排序是一种适用于大规模数据集的算法，其中数据无法完全加载到内存中。

精确算法：

1. 分别对两个文件进行外部排序：首先，将两个文件分别划分为多个小文件块，每个小文件块可以适应内存的大小。然后，对每个小文件块进行内部排序，以确保每个块内的数据是有序的。
2. 合并排序的块：对于每个文件，使用归并排序等合并算法，逐个合并排序后的小块，以创建一个完全有序的大文件。
3. 查找交集：一旦两个文件都有序，可以使用合并算法来查找它们的交集。比较两个文件中的元素，将相同的元素输出到结果文件中。

这是一个精确的算法，它可以找到确切的交集，但需要大量的磁盘I/O和计算时间，因为数据需要多次读取和写入磁盘。

近似算法： 在内存有限的情况下，使用布隆过滤器可以实现近似的交集查找。以下是近似算法的步骤：

1. 构建两个布隆过滤器：对于每个文件，构建一个布隆过滤器。这需要一小部分内存。在构建布隆过滤器时，需要选择合适的哈希函数和位数组大小，以平衡内存使用和误判率。
2. 查询交集：对于第一个文件的每个查询，检查是否在第二个布隆过滤器中。如果布隆过滤器中存在该查询，将其添加到结果集中。
3. 结果集：结果集中包含两个文件的近似交集。

近似算法的主要优点是节省了内存，但它会引入误判。如果某个查询在第一个布隆过滤器中存在，但实际上不存在于第二个文件中，它仍然会出现在结果集中。误判率取决于布隆过滤器的参数选择。

无论使用哪种算法，都需要在性能和准确性之间做权衡。精确算法提供准确的结果，但需要更多的时间和资源。近似算法可以在有限内存下快速处理，但可能会引入一定程度的误判。

如何扩展BloomFilter使得它支持删除元素的操作

Bloom过滤器是一种概率数据结构，通常不支持元素的删除操作。要扩展Bloom过滤器以支持元素的删除，可以考虑使用一些额外的技巧。以下是一种可能的方法：

使用计数型Bloom过滤器

一种支持删除操作的变体是计数型Bloom过滤器（Counting Bloom Filter）。与标准Bloom过滤器不同，计数型Bloom过滤器中的每个位不是简单的0或1，而是一个计数器。计数器可以表示一个元素被插入的次数。

以下是如何扩展Bloom过滤器以支持删除元素的步骤：

1. 初始化计数型Bloom过滤器：创建一个计数型Bloom过滤器，其中每个位都初始化为0。计数型Bloom过滤器的大小通常与标准Bloom过滤器相同。
2. 插入元素：当要插入元素时，不再将相应的位设置为1，而是增加相应的计数器。每次插入操作会增加计数器的值。
3. 查询元素：在查询操作中，检查计数器是否大于零。如果计数器大于零，则表示元素存在。这是因为每次插入操作都会增加计数器的值。
4. 删除元素：要删除元素，可以递减相应的计数器。如果计数器变为零，元素就被标记为不存在。

注意：在计数型Bloom过滤器中，可能存在溢出问题。因此，在删除元素时，需要小心确保计数器不会变为负数。

这种方法允许支持删除操作，但会占用更多的内存。计数型Bloom过滤器在需要跟踪元素出现次数的应用中非常有用，但仍然需要注意误判和溢出问题

另请注意，标准Bloom过滤器无法实现可靠的删除操作，因为删除一个元素可能会影响其他元素的位状态，从而导致不可预测的行为。计数型Bloom过滤器是一种可以处理删除操作的变体，但它需要更多的内存和计算资源。

示一个元素被插入的次数。

以下是如何扩展Bloom过滤器以支持删除元素的步骤：

1. 初始化计数型Bloom过滤器：创建一个计数型Bloom过滤器，其中每个位都初始化为0。计数型Bloom过滤器的大小通常与标准Bloom过滤器相同。
2. 插入元素：当要插入元素时，不再将相应的位设置为1，而是增加相应的计数器。每次插入操作会增加计数器的值。
3. 查询元素：在查询操作中，检查计数器是否大于零。如果计数器大于零，则表示元素存在。这是因为每次插入操作都会增加计数器的值。
4. 删除元素：要删除元素，可以递减相应的计数器。如果计数器变为零，元素就被标记为不存在。

注意：在计数型Bloom过滤器中，可能存在溢出问题。因此，在删除元素时，需要小心确保计数器不会变为负数。

这种方法允许支持删除操作，但会占用更多的内存。计数型Bloom过滤器在需要跟踪元素出现次数的应用中非常有用，但仍然需要注意误判和溢出问题

另请注意，标准Bloom过滤器无法实现可靠的删除操作，因为删除一个元素可能会影响其他元素的位状态，从而导致不可预测的行为。计数型Bloom过滤器是一种可以处理删除操作的变体，但它需要更多的内存和计算资源。