布隆过滤器和LRU Cache的一些概念

一些关于布隆过滤器的参考链接

https://blog.csdn.net/tianyaleixiaowu/article/details/74721877
https://www.cnblogs.com/cpselvis/p/6265825.html
https://github.com/lovasoa/bloomfilter/blob/master/src/main/java/BloomFilter.java
https://github.com/Baqend/Orestes-Bloomfilter

布隆过滤器

将任意大小的数据转换成特定大小的数据的函数，转换后的数据称为哈希值或哈希编码。

HashTable + 拉链存储重复元素

布隆过滤器 VS hashTable

一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用来检索一个二元素是否在一个集合中。

优点是空间效率和查询时间都远远超过一般的算法
缺点是有一定的误识别率和删除困难

如果使用布隆过滤器算法，检测到B存在于布隆过滤器里面，则B元素可能存在；如果C有一个不存在布隆过滤器中，则C一定不存在于布隆过滤器中

布隆过滤器添加元素

	• 将要添加的元素给k个哈希函数
	• 得到对应于位数组上的k个位置
	• 将这k个位置设为1

布隆过滤器查询元素

	• 将要查询的元素给k个哈希函数
	• 得到对应于位数组上的k个位置
	• 如果k个位置有一个为0，则肯定不在集合中
	• 如果k个位置全部为1，则可能在集合中

如何判断一个元素是否存在一个集合中？
常规思路
• 数组
• 链表
• 树、平衡二叉树、Trie
• Map (红黑树)
• 哈希表

案例：
	1. 比特币网络
	2. 分布式系统（Map-Reduce） --hadoop、search engine
	3. Redis缓存
	4. 垃圾邮件、评论等的过滤

LRU cache

两个要素：大小、替换策略
Hash Table + Double LinkedList
O(1) 查询
O(1) 修改、更新

LRU cache的工作实例（最近被使用的元素）