一、位图实现
1.1位图的原理
所谓位图,就是用每一位来存放某种状态,适用于海量数据,数据无重复的场景。通常是用
来判断某个数据存不存在的。 当我们想查找某一个数据是否存在或者是否处于某种状态时,相比于直接对存放数据的容器进行遍历查找,与原存放数据的容器所建立映射关系的位图来进行位运算所查找的方式相比,很明显是位图更加快速便捷的。
这里首先实现了单个位图的增删查,然后以其为基础构造出一个内部包含两个位图用于允许一个位置被映射多次的two_bit_set。
#pragma once
#include
#include
#include
using namespace std;
namespace gazbitset
{
template
class bitset
{
public:
bitset()
{
_bits.resize(N/32+1,0);
}
//将x映射的位置标记成1
void set(size_t x)
{
assert(x <= N);
size_t i = x / 32;
size_t j = x % 32;
_bits[i] |= (1 << j);
}
// 把x映射的位标记成0
void reset(size_t x)
{
assert(x <= N);
size_t i = x / 32;
size_t j = x % 32;
_bits[i] &= ~(1 << j);
}
//查找一个值是否在位图中,在就返回1,不在返回0
bool test(size_t x)
{
assert(x <= N);
size_t i = x / 32;
size_t j = x % 32;
return _bits[i] & (1 << j);
}
private:
vector
};
template
class two_bit_set
{
public:
void set(size_t x)
{
if (b1.test(x) == false && b2.test(x) == false)
{
b2.set(x);
}
else if (b1.test(x) == false && b2.test(x) == true)
{
b1.set(x);
b2.reset(x);
}
}
//检测只出现一次的数
bool testone(size_t x)
{
if (b1.test(x) == false && b2.test(x)==true)
{
return true;
}
return false;
}
private:
bitset
bitset
};
}
1.2位图应用
1. 快速查找某个数据是否在一个集合中。
2. 排序 + 去重。
3. 求两个集合的交集、并集等。
4. 操作系统中磁盘块标记。
二、布隆过滤器
当我们在各大游戏或社交平台注册账号时,有的平台昵称往往是不允许重复的,那当输入昵称时,系统是如何立马就能进行判断查找出是否存在重复的呢?
根据所学知识,通常可以想到两种方法:
1. 用哈希表存储用户记录,缺点:浪费空间
2. 用位图存储用户记录,缺点:位图一般只能处理整形,如果内容编号是字符串,就无法处理
了。
两种方法各有优缺,但如果将哈希和位图结合起来,就可以完美的解决此问题,此时就可以得到一种全新的结构:布隆过滤器。
布隆过滤器概念
布隆过滤器是由布隆(Burton Howard Bloom)在1970年提出的 一种紧凑型的、比较巧妙的概率型数据结构,特点是高效地插入和查询,可以用来告诉你 “某样东西一定不存在或者可能存在”,它是用多个哈希函数,将一个数据映射到位图结构中。此种方式不仅可以提升查询效率,也可以节省大量的内存空间。
2.1布隆过滤器的原理
讲述布隆过滤器的原理之前,我们先思考一下,通常你判断某个元素是否存在用的是什么?应该大多数人会回答 HashMap 吧,确实可以将值映射到 HashMap 的 Key,然后可以在 O(1) 的时间复杂度内返回结果,效率奇高。但是 HashMap 的实现也有缺点,例如存储容量占比高,考虑到负载因子的存在,通常空间是不能被用满的,而一旦你的值很多例如上亿的时候,那 HashMap 占据的内存大小就变得很可观了。
还比如说你的数据集存储在远程服务器上,本地服务接受输入,而数据集非常大不可能一次性读进内存构建 HashMap 的时候,也会存在问题。
2.2布隆过滤器的查找
布隆过滤器是一个 bit 向量或者说 bit 数组,如果我们要映射一个值到布隆过滤器中,我们需要使用多个不同的哈希函数生成多个哈希值,并对每个生成的哈希值指向的 bit 位置 1,例如针对值 “C+五条” 通过三个不同的哈希函数分别生成了哈希值 1、4、7,则上图转变为:
我们现在再存一个值 “CSDN”,如果哈希函数返回 3、4、8 的话,图继续变为:
值得注意的是,4 这个 bit 位由于两个值的哈希函数都返回了这个 bit 位,因此它被覆盖了。现在我们如果想查询 “dianping” 这个值是否存在,哈希函数返回了 1、5、8三个值,结果我们发现 5 这个 bit 位上的值为 0,说明没有任何一个值映射到这个 bit 位上,因此我们可以很确定地说 “dianping” 这个值不存在。而当我们需要查询 “C+五条” 这个值是否存在的话,那么哈希函数必然会返回 1、4、7,然后我们检查发现这三个 bit 位上的值均为 1,那么我们可以说 “C+五条” 存在了么?答案是不可以,只能是 “C+五条” 这个值可能存在。
这是为什么呢?答案跟简单,因为随着增加的值越来越多,被置为 1 的 bit 位也会越来越多,这样某个值 “taobao” 即使没有被存储过,但是万一哈希函数返回的三个 bit 位都被其他值置位了 1 ,那么程序还是会判断 “taobao” 这个值存在。
注意:布隆过滤器如果说某个元素不存在时,该元素一定不存在,如果该元素存在时,该元素可
能存在,因为有些哈希函数存在一定的误判。
2.2布隆过滤器的删除
布隆过滤器不能直接支持删除工作,因为在删除一个元素时,可能会影响其他元素。
比如:删除上图中"tencent"元素,如果直接将该元素所对应的二进制比特位置0,“baidu”元素也被
删除了,因为这两个元素在多个哈希函数计算出的比特位上刚好有重叠。
一种支持删除的方法:将布隆过滤器中的每个比特位扩展成一个小的计数器,插入元素时给k个计
数器(k个哈希函数计算出的哈希地址)加一,删除元素时,给k个计数器减一,通过多占用几倍存储
空间的代价来增加删除操作。
缺陷:
1. 无法确认元素是否真正在布隆过滤器中
2. 存在计数回绕
2.3如何选择哈希函数个数和布隆过滤器长度
很显然,过小的布隆过滤器很快所有的 bit 位均为 1,那么查询任何值都会返回“可能存在”,起不到过滤的目的了。布隆过滤器的长度会直接影响误报率,布隆过滤器越长其误报率越小。
另外,哈希函数的个数也需要权衡,个数越多则布隆过滤器 bit 位置位 1 的速度越快,且布隆过滤器的效率越低;但是如果太少的话,那我们的误报率会变高。
k 为哈希函数个数,m 为布隆过滤器长度,n 为插入的元素个数,p 为误报率
三、布隆过滤器的实现
#pragma once
#include
#include
#include
using namespace std;
struct HashFuncBKDR//第一个哈希函数
{
// BKDR
size_t operator()(const string& s)
{
size_t hash = 0;
for (auto ch : s)
{
hash *= 131;
hash += ch;
}
return hash;
}
};
struct HashFuncAP//第二个哈希函数
{
// AP
size_t operator()(const string& s)
{
size_t hash = 0;
for (size_t i = 0; i < s.size(); i++)
{
if ((i & 1) == 0) // 偶数位字符
{
hash ^= ((hash << 7) ^ (s[i]) ^ (hash >> 3));
}
else // 奇数位字符
{
hash ^= (~((hash << 11) ^ (s[i]) ^ (hash >> 5)));
}
}
return hash;
}
};
struct HashFuncDJB//第三个哈希函数
{
// DJB
size_t operator()(const string& s)
{
size_t hash = 5381;
for (auto ch : s)
{
hash = hash * 33 ^ ch;
}
return hash;
}
};
template class K=string, class Hash1 = HashFuncBKDR, class Hash2 = HashFuncAP, class Hash3 = HashFuncDJB> class bloomfilter { public: void set(const K& key) { size_t hash1 = Hash1()(key) % M; size_t hash2 = Hash2()(key) % M; size_t hash3 = Hash3()(key) % M; _bs->set(hash1); _bs->set(hash2); _bs->set(hash3); } bool Test(const K& key) { size_t hash1 = Hash1()(key) % M; if (_bs->test(hash1) == false) return false; size_t hash2 = Hash2()(key) % M; if (_bs->test(hash2) == false) return false; size_t hash3 = Hash3()(key) % M; if (_bs->test(hash3) == false) return false; return true; // 存在误判(有可能3个位都是跟别人冲突的,所以误判) } private: static const size_t M = 10 * N; std::bitset }; 布隆过滤器的优缺点 优点: 1. 增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数,一般比较小),与数据量大小无关。 2. 哈希函数相互之间没有关系,方便硬件并行运算。 3.布隆过滤器不需要存储元素本身,在某些对保密要求比较严格的场合有很大优势。 4.在能够承受一定的误判时,布隆过滤器比其他数据结构有这很大的空间优势。 5. 数据量很大时,布隆过滤器可以表示全集,其他数据结构不能。 6. 使用同一组散列函数的布隆过滤器可以进行交、并、差运算。 缺点: 1. 有误判率,即存在假阳性(False Position),即不能准确判断元素是否在集合中(补救方法:再 建立一个白名单,存储可能会误判的数据)。 2. 不能获取元素本身。 3. 一般情况下不能从布隆过滤器中删除元素 。 4. 如果采用计数方式删除,可能会存在计数回绕问题。 相关阅读
发表评论