為什么引入

我們的業(yè)務(wù)中經(jīng)常會遇到穿庫的問題，通?？梢酝ㄟ^緩存解決。 如果數(shù)據(jù)維度比較多，結(jié)果數(shù)據(jù)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。

我們先看看一般業(yè)務(wù)緩存流程：

先查詢緩存，緩存找不到再查詢數(shù)據(jù)庫。 然后將查詢結(jié)果放在緩存中即使數(shù)據(jù)不存在，也需要創(chuàng)建一個緩存，用來防止穿庫。這里需要區(qū)分一下數(shù)據(jù)是否存在。 如果數(shù)據(jù)不存在，緩存時間可以設(shè)置相對較短，防止因為主從同步等問題，導(dǎo)致問題被放大。

這個流程中存在薄弱的問題是，當(dāng)用戶量太大時，我們會緩存大量數(shù)據(jù)空數(shù)據(jù)，并且一旦來一波冷用戶，會造成雪崩效應(yīng)。 對于這種情況，我們產(chǎn)生第二個版本流程:redis過濾冷用戶緩存流程

我們將數(shù)據(jù)庫里面中選中的用戶放在redis的set類型中，設(shè)置不過期。 這樣相當(dāng)把redis當(dāng)作數(shù)據(jù)庫的索引，只要查詢redis，就可以知道是否數(shù)據(jù)存在。 redis中不存在就可以直接返回結(jié)果。 如果存在就按照上面提到一般業(yè)務(wù)緩存流程處理。

聰明的你肯定會想到更多的問題：

1. redis本身可以做緩存，為什么不直接返回數(shù)據(jù)呢?
2. 如果數(shù)據(jù)量比較大，單個set，會有性能問題?
3. 業(yè)務(wù)不重要，將全量數(shù)據(jù)放在redis中，占用服務(wù)器大量內(nèi)存。投入產(chǎn)出不成比例?

問題1需要區(qū)分業(yè)務(wù)場景，結(jié)果數(shù)據(jù)少，我們是可以直接使用redis作為緩存，直接返回數(shù)據(jù)。 結(jié)果比較大就不太適合用redis存放了。比如ugc內(nèi)容，一個評論里面可能存在上萬字，業(yè)務(wù)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(nèi)存申請釋放， 還是查詢命令使用不當(dāng)導(dǎo)致大量數(shù)據(jù)返回，都會影響redis的穩(wěn)定。這里就不細(xì)談原因及危害了。 解決bigkey 方法很簡單。我們可以使用hash函數(shù)來分桶，將數(shù)據(jù)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存儲占用內(nèi)存太大。因此我們需要減少內(nèi)存使用。 重新思考一下引入redis的目的。 redis像一個集合，整個業(yè)務(wù)就是驗證請求的參數(shù)是否在集合中。

這個結(jié)構(gòu)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(nèi)置了filter。 拿python舉例，filter函數(shù)用于過濾序列， 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：

$ 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] 

集合s中存在 2，4兩個數(shù)字，我們需要查詢 0，1，2 那些在集合s中。 lambda x:x in s構(gòu)造一個匿名函數(shù)，判斷入?yún)是否在集合s中。 過濾器filter依次對列表中的數(shù)字執(zhí)行匿名函數(shù)。最終返回列表[2]。

redis中實現(xiàn)set用了兩種結(jié)構(gòu)：intset和hash table。 非數(shù)字或者大量數(shù)字時都會退化成hash table。 那么是否好的算法可以節(jié)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(shù)。 布隆過濾器可以用于檢索一個元素是否在一個集合中。 它的優(yōu)點是空間效率和查詢時間都遠(yuǎn)遠(yuǎn)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(yè)務(wù)字段拼接之后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

2**128 = 340282366920938463463374607431768211456 bit 

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?nèi)澜绲臋C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:

import crc32 
def BloomFilter(sample, size, hash_size=1): 
 # 構(gòu)造一個hash函數(shù)，將輸入數(shù)據(jù)散列到size一個位置上 
 hash = lambda x:crc32(str(x).encode())%size 
 collision, s = 0, set() 
 for i in range(sample): 
 k = set() 
 for j in range(hash_size): 
 k.add(hash(i+j*size/hash_size)) 
 # 只有所有散列結(jié)果k都在s中，才認(rèn)為i重復(fù) 
 if not k - s: 
 collision += 1 
 continue 
 # 將散列結(jié)果k更新到集合s中 
 s |= k 
 return collision 

當(dāng)只有一個hash函數(shù)時：很容易發(fā)生沖突。

可以看到上面1和2的hash結(jié)果都是7，發(fā)生沖突。 如果增加hash函數(shù)，會發(fā)生什么情況?

我們使用更多的hash函數(shù)和更大的數(shù)據(jù)集合來測試。得到下面這張表

由此可以看到當(dāng)增加hash方法能夠有效的降低碰撞機率。 比較好的數(shù)據(jù)如下：

但是增加了hash方法之后，會降低空間的使用效率。當(dāng)集合占用總體空間達(dá)到25%的時候， 增加hash 的效果已經(jīng)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。

適合的場景

• 數(shù)據(jù)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(shù)據(jù)庫查詢操作的性能。 如同一開始的業(yè)務(wù)場景。如果數(shù)據(jù)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(shù)據(jù)，當(dāng)宕機后用戶請求了一個以前從未請求的數(shù)據(jù)，這個時候就會產(chǎn)生誤判。當(dāng)然，緩存宕機時使用布隆過濾器作為應(yīng)急的方式，這種情況應(yīng)該也是可以忍受的。
• WEB攔截器 相同請求攔截防止被侵入。用戶初次請求，將請求參數(shù)放入BloomFilter中，當(dāng)?shù)诙握埱髸r，先判斷請求參數(shù)是否被BloomFilter擊中?？梢蕴岣呔彺鎿糁新?。
• 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，并且僅當(dāng)BloomFilter返回肯定結(jié)果時才對所執(zhí)行的URL進行全面檢查(并且用戶警告，如果它也返回肯定結(jié)果)。
• 比特幣加速 bitcoin 使用BloomFilter來加速錢包同步。

算法優(yōu)點：

• 數(shù)據(jù)空間小，不用存儲數(shù)據(jù)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(jié)果只能是“絕對不在集合中”，并不能保證匹配成功的值已經(jīng)在集合中。
• 當(dāng)集合快滿時，即接近預(yù)估大容量時，誤報的概率會變大。
• 數(shù)據(jù)占用空間放大。一般來說，對于1%的誤報概率，每個元素少于10比特，與集合中的元素的大小或數(shù)量無關(guān)。 - 查詢過程變慢，hash函數(shù)增多，導(dǎo)致每次匹配過程，需要查找多個位(hash個數(shù))來確認(rèn)是否存在。

對于BloomFilter的優(yōu)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?？臻g效率十分優(yōu)秀。

如何使用BloomFilter

BloomFilter 需要一個大的bitmap來存儲。鑒于目前公司現(xiàn)狀，合適的存儲容器是redis。

redis集成BloomFilter方案：

redis集成BloomFilter方案：

• 原生python 調(diào)用setbit 構(gòu)造 BloomFilter
• lua腳本
• Rebloom - Bloom Filter Module for Redis (注：redis Module在redis4.0引入)
• 使用hiredis 調(diào)用redis pyreBloom

原生python 方法太慢，lua腳本和module 部署比較麻煩。于是我們推薦使用pyreBloom，底層使用。

pyreBloom:master λ ls 
Makefile bloom.h bloom.pxd murmur.c pyreBloom.pyx 
bloom.c bloom.o main.c pyreBloom.c 

從文件命名上可以看到bloom 使用c編寫。pyreBloom 使用cython編寫。

bloom.h 里面實現(xiàn)BloomFilter的核心邏輯，完成與redis server的交互;hash函數(shù);添加，檢查和刪除方法的實現(xiàn)。

int init_pyrebloom(pyrebloomctxt * ctxt, char * key, uint32_t capacity, double error, char* host, uint32_t port, char* password, uint32_t db); 
int free_pyrebloom(pyrebloomctxt * ctxt); 
int add(pyrebloomctxt * ctxt, const char * data, uint32_t len); 
int add_complete(pyrebloomctxt * ctxt, uint32_t count); 
int check(pyrebloomctxt * ctxt, const char * data, uint32_t len); 
int check_next(pyrebloomctxt * ctxt); 
int delete(pyrebloomctxt * ctxt); 

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 context 
 cdef bytes 
 property bits: 
 property hashes: 
 // 使用的hash方法數(shù) 
 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(diào)用 
 def add(self, value): 
 // 添加單個元素，調(diào)用put方法 
 def extend(self, values): 
 // 添加一組元素，調(diào)用put方法 
 def contains(self, value): 
 // 檢查是否存在，當(dāng)`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 

由于pyreBloom使用hiredis庫，本身沒有重連等邏輯，于是錯了簡單的封裝。

# coding=utf-8 
''' 
bloom filter 基礎(chǔ)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(chǔ)模塊 
參數(shù)： 
SLOT: 可用方法類型 
PREFIX: redis前綴 
BF_SIZE: 
BF_ERROR: 允許的出錯率 
RETRIES: 連接重試次數(shù) 
host: redis 服務(wù)器IP 
port: redis 服務(wù)器端口 
db: redis 服務(wù)器DB 
_bf_conn: 內(nèi)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 
''' 
# 這里初始化防止類靜態(tài)變量多個繼承類復(fù)用，導(dǎo)致數(shù)據(jù)被污染 
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(diào)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(nèi)部方法 
if method not in self.SLOT: 
raise NotImplementedError() 
# 捕獲`pyreBloom`的異常, 打印必要的日志 
def catch_error(*a, **kwargs): 
'''多次重試服務(wù)''' 
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(zhuǎn)__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(shù)，使用了內(nèi)置的timeout 
同時為了保證服務(wù)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(diào)用`pyreBloom`內(nèi)置的C的del方法，會關(guān)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(shù)過濾器(Counting Filter)

提供了一種在BloomFilter上實現(xiàn)刪除操作的方法，而無需重新重新創(chuàng)建過濾器。在計數(shù)濾波器中，陣列位置(桶)從單個位擴展為n位計數(shù)器。實際上，常規(guī)布隆過濾器可以被視為計數(shù)過濾器，其桶大小為一位。

插入操作被擴展為遞增桶的值，并且查找操作檢查每個所需的桶是否為非零。然后，刪除操作包括遞減每個桶的值。

存儲桶的算術(shù)溢出是一個問題，并且存儲桶應(yīng)該足夠大以使這種情況很少見。如果確實發(fā)生，則增量和減量操作必須將存儲區(qū)設(shè)置為最大可能值，以便保留BloomFilter的屬性。

計數(shù)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(tài)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(shù)據(jù)結(jié)構(gòu)。(2014)也允許刪除但使用比靜態(tài)BloomFilter更少的空間。

計數(shù)過濾器的另一個問題是可擴展性有限。由于無法擴展計數(shù)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(shù)。一旦超過表的設(shè)計容量，隨著插入更多密鑰，誤報率將迅速增長。

Bonomi等人。(2006)引入了一種基于d-left散列的數(shù)據(jù)結(jié)構(gòu)，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(shù)據(jù)結(jié)構(gòu)中不會出現(xiàn)可伸縮性問題。一旦超出設(shè)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(jié)省空間的變體也可用于通過支持插入和刪除來實現(xiàn)計數(shù)過濾器。

Rottenstreich，Kanizo和Keslassy(2012)引入了一種基于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(shù)布隆過濾器不同，在每個元素插入時，散列計數(shù)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(shù)器的確切值，而不僅僅是它們的正面性。如果由計數(shù)器值表示的總和不能由查詢元素的相應(yīng)變量增量組成，則可以將否定答案返回給查詢。