布隆过滤器及其应用

1、布隆过滤器及其在HBase中的应用什么是布隆过滤器什么是布隆过滤器1布隆过滤器的布隆过滤器的Java实现实现2布隆过滤器在布隆过滤器在HBase中的中的应用应用3主要内容什么是布隆过滤器*布隆过滤器（Bloom Filter）是一种概率空间高效的数据结构。它与hashmap非常相似，用于检索一个元素是否在一个集合中。它在检索元素是否存在时，能很好地取舍空间使用率与误报比例。正是由于这个特性，它被称作概率性数据结构（probabilistic data structure）布隆过滤器的基本思想* Bloom-Filter算法的核心思想就是利用多个不同的Hash函数来解决“冲突”。 计算某元素x是

2、否在一个集合中，首先能想到的方法就是将所有的已知元素保存起来构成一个集合R，然后用元素x跟这些R中的元素一一比较来判断是否存在于集合R中；我们可以采用链表等数据结构来实现。但是，随着集合R中元素的增加，其占用的内存将越来越大。试想，如果有几千万个不同网页需要下载，所需的内存将足以占用掉整个进程的内存地址空间。即使用MD5，UUID这些方法将URL转成固定的短小的字符串，内存占用也是相当巨大的.布隆过滤器优缺点*优点： 具有很好的空间和时间效率（只需要哈希表的1/8或1/4的空间复杂度就能完成同样的问题） 不存在false negative (漏报)，就是说如果元素存在的话，必能得到正确的结果缺

3、点： 不能删除已储存的元素 元素越多，false positive rate(误报率)越大，也就说将不存在的元素判定为存在。（常见的补救方法：增加一个白名单，存储可能被误判的元素）布隆过滤器的空间效率*当使用列表或者集合时，空间效率都是重要且显著的，那么布隆过滤器就应当被考虑。布隆过滤器基础*布隆过滤器是N位的位数组，其中N是位数组的大小。它还有另一个参数k，表示使用哈希函数的个数。这些哈希函数用来设置位数组的值。当往过滤器中插入元素x时，h1(x), h2(x), , hk(x)所对应索引位置的值被置“1”，索引值由各个哈希函数计算得到。注意，如果我们增加哈希函数的数量，误报的概率会趋近于0

4、.但是，插入和查找的时间开销更大，布隆过滤器的容量也会减小。为了用布隆过滤器检验元素是否存在，我们需要校验是否所有的位置都被置“1”，与我们插入元素的过程非常相似。如果所有位置都被置“1”，那也就意味着该元素很有可能存在于布隆过滤器中。若有位置未被置“1”，那该元素一定不存在什么是布隆过滤器什么是布隆过滤器1布隆过滤器的布隆过滤器的Java实现实现2布隆过滤器在布隆过滤器在HBase中的中的应用应用3主要内容布隆过滤器Java实现*示例： 为了存储一亿个电子邮件地址 建立一个含有十六亿二进制比特，也就是两亿字节 将十六亿的比特全部设置为0 我们用八个不同的哈希函数，以电子邮件地址为键，算出值，

5、有8个（也许不是数字） 我们再一个哈希函数，分别以这8个值为键，会得到8个数值（范围为1到十六亿的某个数字） 以上一步算出的8个数值为下标，将这8个位置的二进制都设置为1（存储了一个地址）查询时只需要用类似的方法得到相应电子邮件的8个数值，以其为下标看二进制是否都设置为了1，如果设置为了1，那么这个电子邮件就存在在这个表中。什么是布隆过滤器什么是布隆过滤器1布隆过滤器的布隆过滤器的Java实现实现2布隆过滤器在布隆过滤器在HBase中的应用中的应用3主要内容布隆过滤器的应用*应用：1. 垃圾邮件过滤中的黑白名单2. 爬虫(Crawler)的网址判重模块3. HBase ROWKEY查询HBas

6、e布隆过滤器的原理*数据块索引提供了一个有效的方法，在访问一个特定的行时用来查找应该读取的HFile的数据块。但是它的效用是有限的。HFile数据块的默认大小是64KB，这个大小不能调整太多如果你要查找一个短行，只在整个数据块的起始行键上建立索引无法给你细粒度的索引信息。例如，如果你的行占用100字节存储空间，一个64KB的数据块包含(64 * 1024)/100 = 655.53 = 700行，而你只能把起始行放在索引位上。你要查找的行可能落在特定数据块上的行区间里，但也不是肯定存放在那个数据块上。这有多种情况的可能，或者该行在表里不存在，或者存放在另一个HFile里，甚至在MemStore

7、里。这些情况下，从硬盘读取数据块会带来IO开销，也会滥用数据块缓存。这会影响性能，尤其是当你面对一个巨大的数据集并且有很多并发读用户时 布隆过滤器允许你对存储在每个数据块的数据做一个反向测试。当某行被请求时，先检查布隆过滤器看看该行是否不在这个数据块。布隆过滤器要么确定回答该行不在，要么回答它不知道布隆过滤器的代价*存储这个额外的索引层次占用额外的空间。布隆过滤器随着它们的索引对象数据增长而增长，所以行级布隆过滤器比列标识符级布隆过滤器占用空间要少。当空间不是问题时，它们可以帮助你榨干系统的性能潜力。 Bloomfilter是一个列族（cf）级别的配置属性，如果你在表中设置了Bloomfilt

8、er，那么HBase会在生成StoreFile时包含一份bloomfilter结构的数据，称其为MetaBlock；MetaBlock与DataBlock（真实的KeyValue数据）一起由LRUBlockCache维护。所以，开启bloomfilter会有一定的存储及内存cache开销布隆过滤器在HBase中的应用*HBase利用Bloomfilter来提高随机读（Get）的性能，对于顺序读（Scan）而言，设置Bloomfilter是没有作用的（0.92以后，如果设置了bloomfilter为ROWCOL，对于指定了qualifier的Scan有一定的优化，但不是那种直接过滤文件，排除在查

9、找范围的形式）布隆过滤器在HBase表中使用方式*hbase(main):007:0 create mytable, NAME = colfam1, BLOOMFILTER = ROWCOL BLOOMFILTER参数的默认值是NONE。一个行级布隆过滤器用ROW打开，列标识符级布隆过滤器用ROWCOL打开。行级布隆过滤器在数据块里检查特定行键是否不存在，列标识符级布隆过滤器检查行和列标识符联合体是否不存在。ROWCOL布隆过滤器的开销高于ROW布隆过滤器。布隆过滤器在如何提高GET性能*对于某个region的随机读，HBase会遍历读memstore及storefile（按照一定的顺序），将

10、结果合并返回给客户端。如果你设置了bloomfilter，那么在遍历读storefile时，就可以利用bloomfilter，忽略某些storefileHBase中布隆过滤器的类型及应用*ROW, 根据KeyValue中的row来过滤storefile 举例：假设有2个storefile文件sf1和sf2， sf1包含kv1（r1 cf:q1 v）、kv2（r2 cf:q1 v） sf2包含kv3（r3 cf:q1 v）、kv4（r4 cf:q1 v） 如果设置了CF属性中的bloomfilter为ROW，那么get(r1)时就会过滤sf2，get(r3)就会过滤sf1 ROWCOL,根据Ke

11、yValue中的row+qualifier来过滤storefile 举例：假设有2个storefile文件sf1和sf2， sf1包含kv1（r1 cf:q1 v）、kv2（r2 cf:q1 v） sf2包含kv3（r1 cf:q2 v）、kv4（r2 cf:q2 v） 如果设置了CF属性中的bloomfilter为ROW，无论get(r1,q1)还是get(r1,q2)，都会读取sf1+sf2；而如果设置了CF属性中的bloomfilter为ROWCOL，那么get(r1,q1)就会过滤sf2，get(r1,q2)就会过滤sf1ROW vs ROWCOL*ROWCOL一定比一定比ROW效果好

12、效果好么么?1.ROWCOL只对指定列（Qualifier）的随机读（Get）有效,如果应用中的随机读get，只含row，而没有指定读哪个qualifier，那么设置ROWCOL是没有效果的，这种场景就应该使用ROW 2.如果随机读中指定的列（Qualifier）的数目大于等于2，在0.90版本中ROWCOL是无效的，而在0.92版本以后，HBASE-2794对这一情景作了优化，是有效的（通过KeyValueScanner#seekExactly） 3.如果同一row多个列的数据在应用上是同一时间put的，那么ROW与ROWCOL的效果近似相同，而ROWCOL只对指定了列的随机读才会有效，所以

13、设置为ROW更佳 4.ROWCOL与ROW只在名称上有联系，ROWCOL并不是ROW的扩展，不能取代ROW结论*1. region下的下的storefile数目越多，数目越多，bloomfilter的效果越好的效果越好2. region下的下的storefile数目越少，数目越少，HBase读性能越好读性能越好 任何类型的get（基于rowkey和基于row+col）bloomfilter都能生效，关键是get的类型要匹配bloomfilter的类型 基于row的scan是没办法优化的 scan是一个范围，如果是row的bloomfilter不命中只能说明该rowkey不在此storefile中，但next rowkey可能在。