布隆过滤器,布隆过滤器 误判

1、布隆过滤器和替代算法

1、布隆过滤器和替代算法：但是布隆过滤器的缺点和优点一样明显。误算率是其中之一。随着存入的元素数量增加，误算率随之增加。但是如果元素数量太少，则使用散列表足矣。

2、布隆过滤器 （英语：Bloom Filter）是 1970 年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。主要用于判断一个元素是否在一个集合中。

3、布隆过滤器节省空间，无需存储全部数据，只需要将多个hash函数取模得到的下标对应位置的值改为1即可，无需存储全部数据，是一种极度节省存储空间的数据结构。

4、使用布隆过滤器的决定性因素之一，就是此算法插入数据和查询数据的速度必须非常快。因此在对数据进行哈希运算的时候， 需选择计算快的哈希算法 。而且， 写入数据以及查询数据的哈希算法，顺序和算法都需完全一致 。待完善。。

2、布隆过滤器扩容及删除过期数据

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。

如布隆过滤器通过4字节存储（布隆过滤器通过多次hash对数据计算后--几次hash根据数据量指定，得到多个数据， 占用多个位 ），则占用空间为610M。比原有空间少一半。个人觉得，此比较在字符等的比较中尤为有效。

布隆过滤器内部维护一个bitArray(位数组)，开始所有数据为0，当一个元素过来时，能过多个哈希函数（hashhashhash3）计算不同的hash值，并通过hash值找到bitArray的下标，将里面的值改为由0变为1。

因为布隆过滤器是一种概率型数据结构，存在非常小的误判几率，不能判断某个元素一定百分之百存在，所以只能用在允许有少量误判的场景，不能用在需要100%精确判断存在的场景）。

3、BloomFilter详解(布隆过滤器)

布隆过滤器 （英语：Bloom Filter）是 1970 年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。主要用于判断一个元素是否在一个集合中。

布隆过滤器（Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合。

布隆过滤器（Bloom Filter）是1970年由[布隆]提出的。它实际上是一个很长的[二进制]向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。

这说明了若想保持某固定误判率不变，布隆过滤器的bit数m与被add的元素数n应该是线性同步增加的。三 如何设计bloomfilter 此概率为某bit位在插入n个元素后未被置位的概率。

4、redis布隆过滤器属于bigkey

Redis 提供的 bitMap 可以实现布隆过滤器，但是需要自己设计映射函数和一些细节，这和我们自定义没啥区别。Redis 官方提供的布隆过滤器到了 Redis 0 提供了插件功能之后才正式登场。

内存的存储存在局限性，可以使用redis中的bitMap来实现字节数组的存储。使用redis实现布隆过滤器。需要根据公式，手动计算字节数组的长度和哈希的个数。实现过程，待完善。。

布隆过滤器（Bloom Filter）是1970年由[布隆]提出的。它实际上是一个很长的[二进制]向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。

布隆过滤器内部维护一个bitArray(位数组)，开始所有数据为0，当一个元素过来时，能过多个哈希函数（hashhashhash3）计算不同的hash值，并通过hash值找到bitArray的下标，将里面的值改为由0变为1。

）布隆过滤器：布隆过滤器是一个非常神奇的数据结构，通过它我们可以非常方便地判断一个给定数据是否存在与海量数据中。我们需要的就是判断 key 是否合法，有没有感觉布隆过滤器就是我们想要找的那个“人”。

布隆过滤器主要提供两种方法：Add和Test。 Add：通过哈希函数计算，得到k个索引，并将其对应的二进制位设置为1。

5、布隆过滤器

布隆过滤器（Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合。

redis布隆过滤器属于bigkey。根据查询公开信息显示，redis是单线程运行的，一次操作的value会对整个redis的响应时间造成负面影响。出现这种情况下需要对bigkey进行拆分。

布隆过滤器内部维护一个bitArray(位数组)，开始所有数据为0，当一个元素过来时，能过多个哈希函数（hashhashhash3）计算不同的hash值，并通过hash值找到bitArray的下标，将里面的值改为由0变为1。