Linux C/C++服务器
海量数据去重的Hash与BoomlFilter
散列表
根据 key 计算 key 在表中的位置的数据结构；是 key 和其所在存储地址的映射关系；
注意：散列表的节点中 kv 是存储在一起的；
struct node {
void *key;
void *val;
struct node *next;
};
hash 函数
映射函数 Hash(key)=addr ；hash 函数可能会把两个或两个以上的不同 key 映射到同一地址，这种情况称之为冲突（或者 hash 碰撞）；
选择 hash
- 计算速度快
- 强随机分布（等概率、均匀地分布在整个地址空间）
- murmurhash1，murmurhash2，murmurhash3，siphash（redis6.0当中使⽤，rust等大多数语言选用的hash算法来实现hashmap），cityhash 都具备强随机分布性；测试地址如下：https://github.com/aappleby/smhasher
- siphash 主要解决字符串接近的强随机分布性 ;
负载因子
- 数组存储元素的个数 / 数据长度；用来形容散列表的存储密度；负载因子越小，冲突越小，负载因子越大，冲突越大；
冲突处理
- 链表法:
引用链表来处理哈希冲突；也就是将冲突元素用链表链接起来；这也是常用的处理冲突的⽅式；但是可能出现一种极端情况，冲突元素比较多，该冲突链表过长，这个时候可以将这个链表转换为红黑树；由原来链表时间复杂度转换为红黑树时间复杂度；那么判断该链表过长的依据是多少？可以采⽤超过 256（经验值）个节点的时候将链表结构转换为红黑树结构；
- 开放寻址法：
将所有的元素都存放在哈希表的数组中，不使用额外的数据结构；一般使用线性探查的思路解决；
- 当插入新元素的时，使用哈希函数在哈希表中定位元素位置；
- 检查数组中该槽位索引是否存在元素。如果该槽位为空，则插⼊，否则3；
- 在 2 检测的槽位索引上加一定步长接着检查2； 加⼀定步长分为以下几种：
- i+1,i+2,i+3,i+4, ... ,i+n
- i-\(1^{2}\),i+\(2^{2}\),i-\(3^{2}\),i+\(4^{2}\),...这两种都会导致同类 hash 聚集；也就是近似值它的hash值也近似，那么它的数组槽位也靠近，形成 hash 聚集；第一种同类聚集冲突在前，第二种只是将聚集冲突延后； 另外还可以使用双重哈希来解决上面出现hash聚集现象：
在.net HashTable类的hash函数Hk定义如下：
Hk(key) = [GetHash(key) + k * (1 + (((GetHash(key) >> 5) +1) % (hashsize – 1)))] % hashsize
在此 (1 + (((GetHash(key) >> 5) + 1) % (hashsize – 1))) 与 hashsize互为素数（两数互为素数表示两者没有共同的质因⼦）；
执⾏了 hashsize 次探查后，哈希表中的每⼀个位置都有且只有⼀次被访问到，也就是说，对于给定的 key，对哈希表中的同⼀位置不会同时使⽤ Hi 和 Hj；
3.具体原理：https://www.cnblogs.com/organic/p/6283476.htm
布隆过滤器
背景
布隆过滤器是一种概率型数据结构，它的特点是高效地插入和查询，能确定某个字符串一定不存在或者可能存在；
布隆过滤器不存储具体数据，所以占用空间小，查询结果存在误差，但是误差可控，同时不支持删除操作；
构成
位图（BIT 数组）+ n 个 hash 函数
m % \(2^{n}\)=m & (\(2^{n}\)-1)
原理
当一个元素加入位图时，通过 k 个 hash 函数将这个元素映射到位图的 k 个点，并把它们置为 1；当检索时，再通过 k 个 hash 函数运算检测位图的 k 个点是否都为 1；如果有不为 1 的点，那么认为该 key 不存在；如果全部为 1，则可能存在；
为什么不支持删除操作？
在位图中每个槽位只有两种状态（0 或者 1），一个槽位被设置为 1 状态，但不确定它被设置了多少次；也就是不知道被多少个 key 哈希映射而来以及是被具体哪个 hash 函数映射而来；
应用场景
布隆过滤器通常用于判断某个 key 一定不存在的场景，同时允许判断存在时有误差的情况；
常见处理场景：① 缓存穿透的解决；② 热 key 限流；
- 描述缓存场景，为了减轻数据库（mysql）的访问压力，在 server 端与数据库（mysql）之间加入缓存用来存储热点数据；
- 描述缓存穿透，server端请求数据时，缓存和数据库都不包含该数据，最终请求压力全部涌向数据库；
- 数据请求步骤，如图中 2 所示；
- 发生原因：黑客利用漏洞伪造数据攻击或者内部业务 bug 造成大量重复请求不存在的数据；
- 解决方案：如图中 3 所示；
应用分析
在实际应用中，该选择多少个 hash 函数？要分配多少空间的位图？预期存储多少元素？如何控制误差？
公式如下：
n -- 预期布隆过滤器中元素的个数，如上图 只有str1和str2 两个元素 那么 n=2
p -- 假阳率，在0-1之间 0.000000
m -- 位图所占空间
k -- hash函数的个数
公式如下：
n = ceil(m / (-k / log(1 - exp(log(p) / k))))
p = pow(1 - exp(-k / (m / n)), k)
m = ceil((n * log(p)) / log(1 / pow(2, log(2))));
k = round((m / n) * log(2));
变量关系
假定4个初始值：
n = 4000
p = 0.000000001
m = 172532
k = 30
面试百度 hash 函数实现过程当中 为什么 会出现 i*31?
- i * 31 = i * (32-1) = i * (1<<5 -1) = i << 5 - i；
- 31 质数，hash 随机分布性是最好的；
确定 n 和 p
在实际使用布隆过滤器时，首先需要确定 n 和 p，通过上面的运算得出 m 和 k；通常可以在下面
这个网站上选出合适的值；
https://hur.st/bloomfilter
选择 hash 函数
选择一个 hash 函数，通过给 hash 传递不同的种子偏移值，采用线性探寻的方式构造多个 hash函数；
#define MIX_UINT64(v) ((uint32_t)((v>>32)^(v)))
uint64_t hash1 = MurmurHash2_x64(key, len, Seed);
uint64_t hash2 = MurmurHash2_x64(key, len, MIX_UINT64(hash1));
for (i = 0; i < k; i++) // k 是hash函数的个数
{
Pos[i] = (hash1 + i*hash2) % m; // m 是位图的⼤⼩
}
分布式一致性 hash
背景
分布式一致性 hash 算法将哈希空间组织成一个虚拟的圆环，圆环的大小是\(2^{32}\);
算法为： hash(ip)%\(2^{32}\)，最终会得到一个 [0,\(2^{32}-1\)] 之间的一个无符号整型，这个整数代表服务器的编号；多个服务器都通过这种方式在 hash 环上映射一个点来标识该服务器的位置；当用户操作某个 key，通过同样的算法生成一个值，沿环顺时针定位某个服务器，那么该 key 就在该服务器中；图片来源于互联网；
应用场景
分布式缓存；将数据均衡地分散在不同的服务器当中，用来分摊缓存服务器的压力；
解决缓存服务器数量变化尽量不影响缓存失效；
hash 偏移
hash 算法得到的结果是随机的，不能保证服务器节点均匀分布在哈希环上；分布不均匀造成请求访问不均匀，服务器承受的压力不均匀；图片来源于互联网；
虚拟节点
为了解决哈希偏移的问题，增加了虚拟节点的概念；理论上，哈希环上节点数越多，数据分布越均衡；
为每个服务节点计算多个哈希节点（虚拟节点）；通常做法是， hash("IP:PORT:seqno")%\(2^{32}\)；
图片来源于互联网；
