六、布隆过滤器 BloomFilter
一、简介
由一个初值都为零的bit数组和多个哈希函数构成，用来快速判断某个数据是否存在。布隆过滤器是一种类似set的数据结构，只是统计结果不太准确。
为什么存在误差？因为底层由hash函数计算就避免不了“哈希冲突”，采用多个hash函数可以尽量减少误差。
二、特点
1、高效地插入和查询，占用空间少，返回的结果是不确定性的。
2、一个元素如果判断结果为存在的时候元素不一定存在，但是判断结果为不存在的时候则一定不存在。
3、布隆过滤器可以添加元素，但是不能删除元素。因为删掉元素会导致误判率增加。
4、误判只会发生在过滤器没有添加过的元素，对于添加过的元素不会发生误判。
结论：
- 有，是可能有。
- 无，是肯定无。
三、常见使用场景
1、解决缓存穿透的问题
缓存穿透是什么？
一般情况下，先查询缓存redis是否有该条数据，缓存中没有时，再查询数据库。当数据库也不存在该条数据时，每次查询都要访问数据库，这就是缓存穿透。
缓存透带来的问题是，当有大量请求查询数据库不存在的数据时，就会给数据库带来压力，甚至会拖垮数据库。
可以使用布隆过滤器解决缓存穿透的问题！
把已存在数据的key存在布隆过滤器中，相当于redis前面挡着一个布隆过滤器。当有新的请求时，先到布隆过滤器中查询是否存在：
- 如果布隆过滤器中不存在，该条数据则直接返回。
- 如果布隆过滤器中已存在，才去查询缓存redis，如果redis里没查询到则穿透到Mysql数据库。
2、黑名单校验
发现存在黑名单中的，就执行特定操作。比如：识别垃圾邮件，只要是邮箱在黑名单中的邮件，就识别为垃圾邮件。
假设黑名单的数量是数以亿计的，存放起来就是非常耗费存储空间的，布隆过滤器则是一个较好的解决方案：把所有黑名单都放在布隆过滤器中，在收到邮件时，判断邮件地址是否在布隆过滤器中即可。
四、布隆过滤器原理
1、Java中传统hash
哈希函数的概念是：将任意大小的输入数据转换成特定大小的输出数据的函数，转换后的数据称为哈希值或哈希编码，也叫散列值。
如果两个散列值是不相同的（根据同一函数），那么这两个散列值的原始输入也是不相同的。这个特性是散列函数具有确定性的结果，具有这种性质的散列函数称为单向散列函数。
散列函数的输入和输出不是唯一对应关系的，如果两个散列值相同，两个输入值很可能是相同的，但也可能不同，这种情况称为“散列碰撞（collision）”或“哈希冲突”。
用 hash表存储大数据量时，空间效率还是很低，当只有一个 hash 函数时，还很容易发生哈希碰撞。
Java的hash冲突的demo：
public static void main(String[] args) {
System.out.println("Aa".hashCode());
System.out.println("BB".hashCode());
System.out.println("=============== 我是分割线 ===============");
Set<Integer> hashCodeSet = new HashSet<>();
for (int i = 0; i < 200000; i++) {
int hashCode = new Object().hashCode();
if (hashCodeSet.contains(hashCode)) {
System.out.println("出现了重复的hashcode: " + hashCode + "，运行到 " + i + " 次");
}
hashCodeSet.add(hashCode);
}
}
输出：
2112
2112
=============== 我是分割线 ===============
出现了重复的hashcode: 2134400190，运行到 105754 次
出现了重复的hashcode: 651156501，运行到 111201 次
出现了重复的hashcode: 1867750575，运行到 121862 次
出现了重复的hashcode: 2038112324，运行到 145385 次
出现了重复的hashcode: 1164664992，运行到 146318 次
出现了重复的hashcode: 273791087，运行到 152298 次
出现了重复的hashcode: 996371445，运行到 180910 次
出现了重复的hashcode: 254720071，运行到 184223 次
出现了重复的hashcode: 1872358815，运行到 186851 次
2、布隆过滤器实现原理和数据结构
添加key时，使用多个hash函数对key进行hash运算得到一个整数索引值，对位数组长度进行取模运算得到一个位置，每个hash函数都会得到一个不同的位置，将这几个位置都置1就完成了add操作。
查询key时，只要有其中一位是零就表示这个key不存在，但如果都是1，则不一定存在对应的key。
当有变量被加入集合时，通过N个映射函数将这个变量映射成位图中的N个点，把它们置为 1（假定有两个变量都通过 3 个映射函数）。
查询某个变量的时候我们只要看看这些点是不是都是 1， 就可以大概率知道集合中有没有它了：
- 如果都是 1，则被查询变量很可能存在。（为什么说是可能存在，而不是一定存在呢？那是因为映射函数本身就是散列函数，散列函数是会有碰撞的。）
- 如果有一位是0，则被查询变量一定不在。
正是基于布隆过滤器的快速检测特性，我们可以在把数据写入数据库时，使用布隆过滤器做个标记。当缓存缺失后，应用查询数据库时，可以通过查询布隆过滤器快速判断数据是否存在。如果不存在，就不用再去数据库中查询了。这样一来，即使发生缓存穿透了，大量请求只会查询Redis和布隆过滤器，而不会积压到数据库，也就不会影响数据库的正常运行。布隆过滤器可以使用Redis实现，本身就能承担较大的并发访问压力。
3、执行的三个步骤
（1）初始化
布隆过滤器本质上是由长度为 m 的位向量或位列表（仅包含 0 或 1 位值的列表）组成，最初所有的值均设置为 0。
（2）添加
当我们向布隆过滤器中添加数据时，为了尽量地址不冲突，会使用多个 hash 函数对 key 进行运算，算得一个下标索引值，然后对位数组长度进行取模运算得到一个位置，每个 hash 函数都会算得一个不同的位置。再把位数组的这几个位置都置为 1 就完成了 add 操作。
（3）判断是否存在
因为这些位置的 1 可能是因为其他的 key 存在导致的，也就是前面说过的hash冲突。
就比如我们在 add 了字符串wmyskxz数据之后，很明显下面1/3/5 这几个位置的 1 是因为第一次添加的 wmyskxz 而导致的。
此时我们查询一个没添加过的不存在的字符串inexistent-key，它有可能计算后坑位也是1/3/5 ，这就是误判。
4、为什么不能删除元素
布隆过滤器的误判是指多个输入经过哈希之后在相同的 bit位 置1，这样就无法判断究竟是哪个输入产生的，因此误判的根源在于相同的 bit 位被多次映射且置 1。
这种情况也造成了布隆过滤器的删除问题，因为布隆过滤器的每一个 bit 并不是独占的，很有可能多个元素共享了某一位。如果我们直接删除这一位的话，会影响其他的元素
5、总结
（1）是否存在
- 有，是很可能有
- 无，是肯定无
（2）使用时最好不要让实际元素数量远大于初始化数量
（3）当实际元素数量超过初始化数量时，应该对布隆过滤器进行重建，重新分配一个 size 更大的过滤器，再将所有的历史元素批量 add 进行
五、布隆过滤器优缺点
1、优点
（1）高效地插入和查询，占用空间少
2、缺点
（1）不能删除元素。因为删掉元素会导致误判率增加，因为hash冲突同一个位置可能存的东西是多个共有的，你删除一个元素的同时可能也把其它的删除了。
（2）存在误判。不同的数据可能出来相同的hash值。
六、布谷鸟过滤器
为了解决布隆过滤器不能删除元素的问题，布谷鸟过滤器横空出世。论文《Cuckoo Filter：Better Than Bloom》
作者将布谷鸟过滤器和布隆过滤器进行了深入的对比。
相比布谷鸟过滤器而言布隆过滤器有以下不足：
- 查询性能弱
- 空间利用效率低
- 不支持反向操作（删除）
- 不支持计数
