squid digest storage 之Bloom Filter概念和原理

li26598296

Bloom Filter概念和原理

焦萌 2007年1月27日

　　Bloom Filter是一种空间效率很高的随机数据结构，它利用位数组很简洁地表示一个集合，并能判断一个元素是否属于这个集合。Bloom Filter的这种高效是有一定代价的：在判断一个元素是否属于某个集合时，有可能会把不属于这个集合的元素误认为属于这个集合（falsepositive）。因此，Bloom Filter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，Bloom Filter通过极少的错误换取了存储空间的极大节省。

集合表示和元素查询
　　下面我们具体来看Bloom Filter是如何用位数组表示集合的。初始状态时，Bloom Filter是一个包含m位的位数组，每一位都置为0。

　　为了表达S={x1, x2,…,xn}这样一个n个元素的集合，Bloom Filter使用k个相互独立的哈希函数（HashFunction），它们分别将集合中的每个元素映射到{1,…,m}的范围中。对任意一个元素x，第i个哈希函数映射的位置hi(x)就会被置为1（1≤i≤k）。注意，如果一个位置多次被置为1，那么只有第一次会起作用，后面几次将没有任何效果。在下图中，k=3，且有两个哈希函数选中同一个位置（从左边数第五位）。   

　　

　　在判断y是否属于这个集合时，我们对y应用k次哈希函数，如果所有hi(y)的位置都是1（1≤i≤k），那么我们就认为y是集合中的元素，否则就认为y不是集合中的元素。下图中y1就不是集合中的元素。y2或者属于这个集合，或者刚好是一个falsepositive。

错误率估计
　　前面我们已经提到了，Bloom Filter在判断一个元素是否属于它表示的集合时会有一定的错误率（false positive rate），下面我们就来估计错误率的大小。在估计之前为了简化模型，我们假设kn<m且各个哈希函数是完全随机的。当集合S={x1,x2,…,xn}的所有元素都被k个哈希函数映射到m位的位数组中时，这个位数组中某一位还是0的概率是：

　　其中1/m表示任意一个哈希函数选中这一位的概率（前提是哈希函数是完全随机的），(1-1/m)表示哈希一次没有选中这一位的概率。要把S完全映射到位数组中，需要做kn次哈希。某一位还是0意味着kn次哈希都没有选中它，因此这个概率就是（1-1/m）的kn次方。令p= e-kn/m是为了简化运算，这里用到了计算e时常用的近&#20284;：

　　令ρ为位数组中0的比例，则ρ的数学期望E(ρ)= p’。在ρ已知的情况下，要求的错误率（false positive rate）为：

　　(1-ρ)为位数组中1的比例，(1-ρ)k就表示k次哈希都刚好选中1的区域，即falsepositive rate。上式中第二步近&#20284;在前面已经提到了，现在来看第一步近&#20284;。p’只是ρ的数学期望，在实际中ρ的&#20540;有可能偏离它的数学期望&#20540;。M. Mitzenmacher已经证明[2]，位数组中0的比例非常集中地分布在它的数学期望&#20540;的附近。因此，第一步的近&#20284;得以成立。分别将p和p’代入上式中，得：
　　   

　　   

　　相比p’和f’，使用p和f通常在分析中更为方便。

最优的哈希函数个数
　　既然Bloom Filter要靠多个哈希函数将集合映射到位数组中，那么应该选择几个哈希函数才能使元素查询时的错误率降到最低呢？这里有两个互斥的理由：如果哈希函数的个数多，那么在对一个不属于集合的元素进行查询时得到0的概率就大；但另一方面，如果哈希函数的个数少，那么位数组中的0就多。为了得到最优的哈希函数个数，我们需要根据上一小节中的错误率公式进行计算。
　　
　　先用p和f进行计算。注意到f = exp(k ln(1 − e−kn/m))，我们令g= k ln(1 − e−kn/m)，只要让g取到最小，f自然也取到最小。由于p = e-kn/m，我们可以将g写成

　　根据对称性法则可以很容易看出当p = 1/2，也就是k = ln2· (m/n)时，g取得最小&#20540;。在这种情况下，最小错误率f等于(1/2)k≈ (0.6185)m/n。另外，注意到p是位数组中某一位仍是0的概率，所以p = 1/2对应着位数组中0和1各一半。换句话说，要想保持错误率低，最好让位数组有一半还空着。
　　
　　需要强调的一点是，p = 1/2时错误率最小这个结果并不依赖于近&#20284;&#20540;p和f。同样对于f’= exp(k ln(1 − (1 − 1/m)kn))，g’ = k ln(1 − (1 − 1/m)kn)，p’ = (1 − 1/m)kn，我们可以将g’写成

　　同样根据对称性法则可以得到当p’ = 1/2时，g’取得最小&#20540;。

位数组的大小
　　下面我们来看看，在不超过一定错误率的情况下，Bloom Filter至少需要多少位才能表示全集中任意n个元素的集合。假设全集中共有u个元素，允许的最大错误率为є，下面我们来求位数组的位数m。
　　
　　假设X为全集中任取n个元素的集合，F(X)是表示X的位数组。那么对于集合X中任意一个元素x，在s= F(X)中查询x都能得到肯定的结果，即s能够接受x。显然，由于Bloom Filter引入了错误，s能够接受的不仅仅是X中的元素，它还能够є(u - n)个false positive。因此，对于一个确定的位数组来说，它能够接受总共n &#43; є (u - n)个元素。在n &#43; є (u - n)个元素中，s真正表示的只有其中n个，所以一个确定的位数组可以表示

　　个集合。m位的位数组共有2m个不同的组合，进而可以推出，m位的位数组可以表示
　　   

　　个集合。全集中n个元素的集合总共有
　　   

　　个，因此要让m位的位数组能够表示所有n个元素的集合，必须有
　　   

　　即：
　　   

　　上式中的近&#20284;前提是n和єu相比很小，这也是实际情况中常常发生的。根据上式，我们得出结论：在错误率不大于є的情况下，m至少要等于nlog2(1/є)才能表示任意n个元素的集合。
　　
　　
　　
　　上一小节中我们曾算出当k = ln2· (m/n)时错误率f最小，这时f = (1/2)k= (1/2)mln2 / n。现在令f≤є，可以推出

　　这个结果比前面我们算得的下界n log2(1/є)大了log2e ≈ 1.44倍。这说明在哈希函数的个数取到最优时，要让错误率不超过є，m至少需要取到最小&#20540;的1.44倍。

总结
　　在计算机科学中，我们常常会碰到时间换空间或者空间换时间的情况，即为了达到某一个方面的最优而牺牲另一个方面。Bloom Filter在时间空间这两个因素之外又引入了另一个因素：错误率。在使用Bloom Filter判断一个元素是否属于某个集合时，会有一定的错误率。也就是说，有可能把不属于这个集合的元素误认为属于这个集合（FalsePositive），但不会把属于这个集合的元素误认为不属于这个集合（False Negative）。在增加了错误率这个因素之后，Bloom Filter通过允许少量的错误来节省大量的存储空间。
　　
　　自从Burton Bloom在70年代提出Bloom Filter之后，BloomFilter就被广泛用于拼写检查和数据库系统中。近一二十年，伴随着网络的普及和发展，Bloom Filter在网络领域获得了新生，各种Bloom Filter变种和新的应用不断出现。可以预见，随着网络应用的不断深入，新的变种和应用将会继续出现，BloomFilter必将获得更大的发展。

参考资料
　　[1] A. Broder and M. Mitzenmacher.Network applications of bloom filters: A survey. Internet Mathematics, 1(4):485–509, 2005.
　　[2] M. Mitzenmacher.Compressed Bloom Filters. IEEE/ACM Transactions on Networking 10:5 (2002), 604—612.
　　[3] www.cs.jhu.edu/~fabian/courses/CS600.624/slides/bloomslides.pdf
　　[4] http://166.111.248.20/seminar/2006_11_23/hash_2_yaxuan.ppt