深入理解PHP+Redis实现布隆过滤器（亿级大数据处理和黑客攻防必备）

布隆过滤器

极简概括

英文名称Bloom Filter，用于判断一个元素是否在一个大数据集合中，如果检测到存在则有可能存在，如果不存在则一定不存在。
Redis官网对于布隆过滤器的说明：https://redis.io/docs/data-types/probabilistic/bloom-filter/

使用场景

防止缓存穿透：用于快速判断某个商品数据是否存在于缓存中，如果存在，则执行下游流程，如果不存在，在此处直接拦截，避免下游流程引发的算力消耗，很适合对抗黑客刷接口的行为。
网络爬虫：在爬取网页时，可以用布隆过滤器来判断一个 URL 是否已经被访问过，从而避免重复爬取相同的页面。
拼写检查器：用于快速检查一个单词是否是正确拼写的，减少不必要的词典查询。
用户名防重：注册或者更改某些应用的用户名时，提示用户名已存在，再超大数据量的情况下，可以用布隆过滤器替代MySQL去抗。
整体来说，适用于读多写少的场景，如果是写多读少，不推荐用布隆过滤器。

优点

节省空间：用比特位来存储，比用一个字节存储0和1更加节省空间。
插入查询迅速：布隆过滤器内部使用位数组（bit array）来表示数据存储状态，这种结构使得在查询时只需对位数组进行一系列简单的位操作，而不需要遍历。
保密性很好：Redis BitMap里存储的都是0和1，就算黑客拿到了数据，缺少代码逻辑，也根本不知道是干啥的。

缺点

不支持删除：强制没问题，不支持删除是为了防止哈希碰撞引起的误删问题。一个哈希值，可能是多个源数据的转换后的结果。
误判：本来一个数据不存在与这个集合当中，但是它判断数据时存在这个集合当中，这是由哈希碰撞产生的，这种无法避免，只能减少误判的概率。所以布隆过滤器有个特点：不存在一定不存在，存在却不一定存在。
避免：可以添加多个不同的的hash函数算法和bit位的长度，从而降低误判的发生，会降低性能，这需要在性能和误判之间做好权衡。

时间复杂度

布隆过滤器的查询时间复杂度是常数（很快）级别的，通常记为 O(k)，其中 k 是哈希函数的个数，也是布隆过滤器中每个元素对应的位数组位置数量。

原理

存储：判断一个元素是否在一个大数据集合中，存在就是1不存在就是0，这个集合可以由一个二进制向量（向量 === 矢量，有大小有方向）表示（二进制向量，可以类比成一个数组，但是每个单位只能存储1比特的数据），用Redis的BitMap结构存储最合适。
哈希转换：一般会有多个哈希算法，为了减少哈希冲突的概率。
长度选择：布隆过滤器哈希位的大小，要看业务场景所使用数据的上限。
判断规则：例如4条数据存储，有3个哈希算法，也就占用12个bit。判断任意一个数据是否存在，也就在bitmap上判断3个值，如果这3个值全部都在，则表示可能存在这个数据，如果小于3，则表示数据不存在。

用PHP写Redis布隆过滤器扩展

我用CRC32算法作为哈希运算写了一个，存储是用Redis的BitMap，算法数量设置到3，误差率达到了25.69%，设置到10，误差率仍有1.08%，性能降下来了，难怪网上有人评论不要手动实现布隆过滤器。受一些算法限制，写不了太好的方案。
同时在网上寻找更好的方案，发现网上的一些哈希算法报错，所以也不用。
寻找composer包，目前也没有找到太好的视线布隆过滤器的方案，不是不支持Redis，就是版本太旧，不支持PHP8。
所以需要考虑其它方向的解决方案。

/**
 * @ 封装一个布隆过滤器类，切勿商用，否则要出事
 */
class BloomFilter {
    //redis对象
    private $redis;
    //布隆过滤器名称
    private $bloom_filter_name;
    //比特数量
    private $bit_num;
    //函数数量
    private $func_num;


    /**
     * @function 初始化成员属性
     * @param    $redis             object redis对象
     * @param    $bloom_filter_name string 布隆过滤器名称
     * @param    $bit_num           int    比特数量
     * @param    $func_num          int    哈希函数数量
     * @return   void
     */
    public function __construct($redis, $bloom_filter_name, $bit_num, $func_num) {
        $this->redis             = $redis;
        $this->bloom_filter_name = $bloom_filter_name;
        $this->bit_num           = $bit_num;
        $this->func_num          = $func_num;
    }


    /**
     * @function 向布隆过滤器中添加数据
     * @param    $val string 待添加的值
     * @return   array
     */
    public function add($val) {
        //开启管道，方便批量操作
        $pipe = $this->redis->multi();

        //模拟多个哈希算法
        for ($i = 0; $i < $this->func_num; $i++) {
            $hash = $this->hash($val . '_' . $i);
            $pipe->setbit($this->bloom_filter_name, $hash, 1);
        }

        return $pipe->exec();
    }


    /**
     * @function 布隆过滤器判断某个值是否存在
     * @param    $val string 待添加的值
     * @return   bool
     */
    public function exists($val) {
        //开启管道，方便批量操作
        $pipe = $this->redis->multi();

        for ($i = 0; $i < $this->func_num; $i++) {
            $hash = $this->hash($val . '_' . $i);
            $pipe->getbit($this->bloom_filter_name, $hash);
        }

        //批处理
        $results = $pipe->exec();
        foreach ($results as $bit) {
            if ($bit == 0) {
                return false;
            }
        }

        return true;
    }


    /**
     * @function 通过一些CRC32哈希算法，获取指定值的BitMap存储位置
     * @param    $string string 待计算哈希的数据
     * @return   int
     */
    private function hash($string) {
        //因为crc32算法获取的是9~10位数字，方便取模
        return crc32($string) % $this->bit_num;
    }
}

//----------------------------------------------------------------------------------------------------
$redis = new Redis();
$redis->connect('127.0.0.1', 6379);

$bloom_filter = new BloomFilter($redis, "test_key",10000, 3);

$bloom_filter->add('xyz');

var_dump($bloom_filter->exists('xyz')); //true
var_dump($bloom_filter->exists('abc')); //false

用C语言实现Redis布隆过滤器扩展（服务端）

这种方式不需要考虑对Redis位图的操作，而是直接调用Redis Bloom Filter的功能，所以实现思路与上文说明有所不同。

Redis扩展安装官方扩展：https://redis.io/docs/data-types/probabilistic/configuration
Redis Bloom Filter地址：https://github.com/RedisBloom/RedisBloom

目前的最新版本是2.6.12，但是编译报错，用2.2.18就好了
wget https://github.com/RedisBloom/RedisBloom/archive/refs/tags/v2.2.18.tar.gz
tar zxvf v2.2.18.tar.gz
cd RedisBloom-2.2.18
make
此时会生成一个redisbloom.so
mkdir /usr/local/redis/ext/
mv redisbloom.so /usr/local/redis/ext/redis_bloom_filter.so
vim /usr/local/redis/etc/redis.conf中添加如下一行
loadmodule /usr/local/redis/ext/redis_bloom_filter.so
保存
重启Redis，我这里设置了Redis服务
service redis restart
查看是否启动
> ps aux | grep redis
root      14504  0.7  0.6  52432  6580 ?        Ssl  23:17   0:00 /usr/local/redis/bin/redis-server 0.0.0.0:6379
root      14549  0.0  0.1 112828   996 pts/0    S+   23:17   0:00 grep --color=auto redis

进入redis命令行，使用命令查看扩展是否安装成功
redis-cli
bf.exists bloom_filter_key test_val
返回0表示安装成功

常见指令：

指令	含义	示例	备注
BF.RESERVE	配置多少数量下有多大误差，误差越小性能越差	BF.RESERVE 布名 0.001 1000000	100万条数据允许0.1%的误差
BF.ADD	向某个布隆过滤器中添加数据	BF.ADD 布名值1	返回1证明插入成功
BF.EXISTS	判断某个布隆过滤是否存在一个值	BF.EXISTS 布名值1	返回1说明存在，返回0说明不存在
BF.MADD	向某个布隆过滤器中插入多个值	BF.MADD 布名值2 值3 值4	返回 1) (integer) 1 2) (integer) 1 3) (integer) 1
BF.MEXISTS	判断某个布隆过滤是否存在多个值	BF.MEXISTS 布名值2 值3 值5	返回 1) (integer) 1 2) (integer) 1 3) (integer) 0

注意：使用这个插件，值是MBbloom--类型的，而不是位图或者其它类型。
自己封装了一个类，如下：

class BloomFilter {
    //存放redis对象
    private $redis;


    /**
     * @function 初始化Redis对象
     * @param    $bloom_filter_name string 布隆过滤器名称
     * @param    $num               int 要存储多少数据
     * @param    $error_percentage  float 误差百分比
     * @return   void
     */
    public function __construct($bloom_filter_name, $num, $error_percentage) {
        $redis = new Redis();
        $redis->connect('192.168.0.180', 6379);
        $redis->rawCommand('BF.RESERVE', $bloom_filter_name, bcdiv($error_percentage, 100, 8), $num);
        $this->redis = $redis;
    }


    /**
     * @function 向布隆过滤器中添加数据
     * @param    $bloom_filter_name  string 布隆过滤器名称
     * @param    $val                string 要添加的数据
     * @return   int
     */
    public function add($bloom_filter_name, $val) {
        return $this->redis->rawCommand('BF.ADD', $bloom_filter_name, $val);
    }


    /**
     * @function 布隆过滤器判断指定的值是否存在
     * @param    $bloom_filter_name  string 布隆过滤器名称
     * @param    $val                string 要添加的数据
     * @return   int
     */
    public function exists($bloom_filter_name, $val) {
        return $this->redis->rawCommand('BF.EXISTS', $bloom_filter_name, $val);
    }


    /**
     * @function 向布隆过滤器中批量添加数据
     * @param    $bloom_filter_name  string 布隆过滤器名称
     * @param    $vals               array  要添加的数据
     * @return   int
     */
    public function mAdd($bloom_filter_name, $vals) {
        $args = array_merge(['BF.MADD'], [$bloom_filter_name], $vals);
        return $this->redis->rawCommand(...$args);
    }


    /**
     * @function 布隆过滤器批量判断指定的值是否存在
     * @param    $bloom_filter_name  string 布隆过滤器名称
     * @param    $vals               array  要添加的数据
     * @return   array
     */
    public function mExists($bloom_filter_name, $vals) {
        $args = array_merge(['BF.MEXISTS'], [$bloom_filter_name], $vals);
        return $this->redis->rawCommand(...$args);
    }
}

//调用-----------------------------------
$bloom_filter = new BloomFilter('key',100000, 0.01);

//1 重复插入返回0
var_dump($bloom_filter->add('key', 'v100'));
//[1, 1, 1]
var_dump($bloom_filter->mAdd('key', ['v2', 'v3', 'v4']));
//1
var_dump($bloom_filter->exists('key', 'v100'));
//[1, 1, 0]
var_dump($bloom_filter->mExists('key', ['v2', 'v3', 'v5']));

Redis布隆过滤器性能与误差实测

看起来这个性能很高，足以应对99%的场景了，使用MySQL测试一亿条数据中定值查找1条数据，需要278.71秒的搜索时间。
对于与布隆过滤器，在一亿条数据下进行一亿次查找：

动作	数量	配置误差值（百分比）	实测误差数量	消耗时间（秒）
mAdd，批量写入操作	100000000	0.01%	/	357.068
mExists，批量读取操作	100000000	0.01%	5103	306.646

批量写入示例代码：
$bloom_filter = new BloomFilter('test_key',100000000, 0.01);

$start = microtime(true);
for($i = 0; $i < 100000000; $i++) {
    $arr[] = $i;
    if(count($arr) > 100000) {
        $bloom_filter->mAdd('test_key', $arr);
        $arr = [];
    }
}
echo microtime(true) - $start;


批量读取示例代码：
$bloom_filter = new BloomFilter('test_key',100000000, 0.01);

$arr = [];
$int = 0;

$start = microtime(true);
for($i = 0; $i < 100000000; $i++) {
    $arr[] = uniqid();
    if(count($arr) > 100000) {
        $exists = $bloom_filter->mExists('test_key', $arr);
        $arr = [];
        foreach($exists as $v) {
            if($v) {
                $int++;
            }
        }
    }
}
echo microtime(true) - $start;

echo "--";
echo $int;

常见问题

为什么布隆过滤器不用遍历每条数据

在海量的数据下遍历会很耗时，因此不能用遍历，寻址过程可以理解为PHP的数组利用下标方式去找到对应的值，查看是0还是1，相当于于array[key] = 1，PHP数组的底层实现是哈希表，通过数组的下标，可以直接找到对应的内存地址，所以时间复杂度是O(1)，而不是O(n)。

使用布隆过滤器防止缓存穿透

缓存穿透：常见于抢购场景的黄牛，他们为了牟利，利用脚本不断拼接新参数去频繁请求接口。从服务器角度来说，如果Redis内存不存在，就会往数据库中查，大量查询任务直接穿透了Redis，压力打到了数据库，就会给数据库带来很大的压力。
就有3种解决方案：
1. 通过异常行为做拦截：抢购一般会让用户登录，让服务器知道谁在抢购，如果单位时间内Redis被穿透的次数过多，直接封禁。思路：上游添加Redis::get(get flash_sale . 用户id) > 10的判断，如果要查数据库，redis就Redis::incr(flash_sale . 用户id)，直到超过指定次数，然后上游直接拦截。
2. 如果没有查到数据，也在缓存中存储，值为1即可，但是这有2个弊端，1是缓存过后可能用不上，2是大量的缓存，也会增加存储的负担。
3. 使用布隆过滤器：上文有讲，把他放到业务逻辑的上游做判断，如果过滤器中存在，则走下游流程，如果不存在，则直接阻断其后续流程。

如何减少布隆过滤器误判的概率

增加哈希函数的数量：1个哈希函数算法可能会冲突，多个与源数据进行哈希算法，就能减少冲突的发生。
增加布隆过滤器的长度：例如10个比特槽位，存1000条数据，大概率有冲突的情况，但是将长度增加到2000，这就能减少冲突概率的发生。

抢购场景商品被删除了，如何同步到布隆过滤器

先看预设场景，看看要不要做处理：商品被删除，MySQL无数据，布隆过滤器有数据。

如果redis缓存无商品数据：
通过布隆过滤器->缓存无数据->查数据库->无数据->返回商品信息不存在。
如果redis缓存仍旧有商品信息：
通过布隆过滤器->缓存有->其它下单流程。

此时会发现，如果redis缓存仍旧有商品信息，还会有问题，解决方案：

可以异步重建布隆过滤器：这和定期刷新缓存一个道理，防止缓存的长期不一致。
维护一个计数布隆过滤器：表示该位置被几个数据进行了引用，如果是1，直接删了就行。这个可以用hash去实现hIncrBy(bloom_filter_flash_sale, 取模后的数字哈希位置, 1)，如果大于1，可以去查询数据库，做个兜底的判断策略。

50亿量级的URL集合，如何再4G的内存中判断其中一个url是否在这个集合当中

这个面试题老生常谈，所以在这里着重提一嘴。
会出现在搜索引擎的爬虫判断中，爬虫爬过了，就不在重复爬取了，
可以用布隆过滤器。
4G = 34359738368Bit，340亿的比特，如果设置3种哈希算法，也就意味着占用150亿个比特位，还是能存的下。

布隆过滤器为什么用哈希函数而不是源数据

1.节省空间，2.增加查询速度。
源数据可能偏大，通过哈希函数转换后，结果成数字，这个数字就是比特数组的下标。布隆过滤器可以近似的理解为维护的是一个所有值都为数字的PHP索引数组，但是数组的占用单位是字节，而布隆过滤器可以使用更小的比特，充分利用设备存储资源。

为什么不推荐自定义写布隆过滤器

算法：普通开发者缺少算法思维，做出来的布隆过滤器概率不可控，或者容易冲突。为了防止哈希函数的值转化为数字后位数过长（例如md5(1) 为c4ca4238a0b923820dcc509a6f75849b，转10进制是261578874264819908609102035485573088411），需要对数据长度进行取模，不取模还好，取模后极大减少了布隆过滤器的长度。例如10000条数据，设定3种哈希算法，设置3万个比特位，取模后的值大多小于3万，所以冲突的概率增加了很多。
理解深度：可能一部分开发者不知道Redis位图，或者为什么用哈希函数，还挺停留在用Redis string做判断的基础上，虽然能实现，但是占用空间有很大差距。

补充

哈希运算

极简概括：哈希运算是通过一些算法，将任意长度的任意格式的二进制数据转换为固定长度数据的过程。
算法举例：sha1、sha256、sha512、md5。
算法特点：
- 结果确定：给定相同的输入，哈希函数会产生相同的输出。
- 长度确定：无论输入的大小如何，输出的长度是固定的。
- 计算迅速：好的哈希函数可在合理的时间内对输入进行哈希计算。
- 不可逆向：给一个哈希过后的值，由于初始数据信息丢失，无法通过这个值还原初始的信息。彩虹表并不是还原，而是对比。
- 修改敏感：修改数据的任何一个地方，就算很小的改动，也会导致算出来的哈希值完全不同。

哈希碰撞

不同的输入数据，经过哈希计算后得到相同的输出值。
例如32位输出的md5算法，一共有16³² ≈ 3.4 ×10³⁸种值，但是宇宙空间里的信息量却无穷的多，输入数据无穷多但输出数据有限，这就导致哈希碰撞的产生。
算法生成的信息越长，碰撞概率越低，这是个概率问题，不是一定发生或一定不发生。

posted @ 2024-04-08 23:19 小松聊PHP进阶阅读(414) 评论(0) 编辑收藏举报

刷新页面返回顶部

小松聊PHP进阶