Redis 布隆过滤器实战「缓存击穿、雪崩效应」

存储 存储软件 Redis
我们的业务中经常会遇到穿库的问题,通常可以通过缓存解决。 如果数据维度比较多,结果数据集合比较大时,缓存的效果就不明显了。

为什么引入

我们的业务中经常会遇到穿库的问题,通常可以通过缓存解决。 如果数据维度比较多,结果数据集合比较大时,缓存的效果就不明显了。 因此为了解决穿库的问题,我们引入Bloom Filter。

我们先看看一般业务缓存流程:

 

先查询缓存,缓存找不到再查询数据库。 然后将查询结果放在缓存中即使数据不存在,也需要创建一个缓存,用来防止穿库。这里需要区分一下数据是否存在。 如果数据不存在,缓存时间可以设置相对较短,防止因为主从同步等问题,导致问题被放大。

这个流程中存在薄弱的问题是,当用户量太大时,我们会缓存大量数据空数据,并且一旦来一波冷用户,会造成雪崩效应。 对于这种情况,我们产生第二个版本流程:redis过滤冷用户缓存流程

 

我们将数据库里面中选中的用户放在redis的set类型中,设置不过期。 这样相当把redis当作数据库的索引,只要查询redis,就可以知道是否数据存在。 redis中不存在就可以直接返回结果。 如果存在就按照上面提到一般业务缓存流程处理。

聪明的你肯定会想到更多的问题:

  1. redis本身可以做缓存,为什么不直接返回数据呢?
  2. 如果数据量比较大,单个set,会有性能问题?
  3. 业务不重要,将全量数据放在redis中,占用服务器大量内存。投入产出不成比例?

问题1需要区分业务场景,结果数据少,我们是可以直接使用redis作为缓存,直接返回数据。 结果比较大就不太适合用redis存放了。比如ugc内容,一个评论里面可能存在上万字,业务字段多。

redis使用有很多技巧。bigkey 危害比较大,无论是扩容或缩容带来的内存申请释放, 还是查询命令使用不当导致大量数据返回,都会影响redis的稳定。这里就不细谈原因及危害了。 解决bigkey 方法很简单。我们可以使用hash函数来分桶,将数据分散到多个key中。 减少单个key的大小,同时不影响查询效率。

问题3是redis存储占用内存太大。因此我们需要减少内存使用。 重新思考一下引入redis的目的。 redis像一个集合,整个业务就是验证请求的参数是否在集合中。

 

这个结构就像洗澡的时候用的双向阀门:左边热水,右边冷水。大部分的编程语言都内置了filter。 拿python举例,filter函数用于过滤序列, 过滤掉不符合条件的元素,返回由符合条件元素组成的列表。

我们看个例子:

  1. $ python2 
  2. Python 2.7.10 (default, Oct 6 2017, 22:29:07) 
  3. [GCC 4.2.1 Compatible Apple LLVM 9.0.0 (clang-900.0.31)] on darwin 
  4. Type "help""copyright""credits" or "license" for more information. 
  5. >>> s = {2, 4} 
  6. >>> filter(lambda x:x in s, [0, 1, 2]) 
  7. [2] 

集合s中存在 2,4两个数字,我们需要查询 0,1,2 那些在集合s中。 lambda x:x in s构造一个匿名函数,判断入参x是否在集合s中。 过滤器filter依次对列表中的数字执行匿名函数。最终返回列表[2]。

redis中实现set用了两种结构:intset和hash table。 非数字或者大量数字时都会退化成hash table。 那么是否好的算法可以节省hash table的大小呢?

其实早在1970年由Burton Howard Bloom提出的布隆过滤器(英语:Bloom Filter)。 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。 它的优点是空间效率和查询时间都远远超过一般的算法, 缺点是有一定的误识别率和删除困难。

BloomFilter原理

我们常见的将业务字段拼接之后md5,放在一个集合中。 md5生成一个固定长度的128bit的串。 如果我们用bitmap来表示,则需要

  1. 2**128 = 340282366920938463463374607431768211456 bit 

判断一个值在不在,就变成在这个bitmap中判断所在位是否为1。 但是我们全世界的机器存储空间也无法存储下载。 因此我们只能分配有限的空间来存储。 比如:

  1. import crc32 
  2. def BloomFilter(sample, size, hash_size=1): 
  3.  # 构造一个hash函数,将输入数据散列到size一个位置上 
  4.  hash = lambda x:crc32(str(x).encode())%size 
  5.  collision, s = 0, set() 
  6.  for i in range(sample): 
  7.  k = set() 
  8.  for j in range(hash_size): 
  9.  k.add(hash(i+j*size/hash_size)) 
  10.  # 只有所有散列结果k都在s中,才认为i重复 
  11.  if not k - s: 
  12.  collision += 1 
  13.  continue 
  14.  # 将散列结果k更新到集合s中 
  15.  s |= k 
  16.  return collision 

当只有一个hash函数时:很容易发生冲突。

 

可以看到上面1和2的hash结果都是7,发生冲突。 如果增加hash函数,会发生什么情况?

 

我们使用更多的hash函数和更大的数据集合来测试。得到下面这张表

 

由此可以看到当增加hash方法能够有效的降低碰撞机率。 比较好的数据如下:

 

Redis 布隆过滤器实战「缓存击穿、雪崩效应」

 

但是增加了hash方法之后,会降低空间的使用效率。当集合占用总体空间达到25%的时候, 增加hash 的效果已经不明显

 

上面的使用多个hash方法来降低碰撞就是BloomFilter的核心思想。

适合的场景

  • 数据库防止穿库 Google Bigtable,Apache HBase和Apache Cassandra以及Postgresql 使用BloomFilter来减少不存在的行或列的磁盘查找。避免代价高昂的磁盘查找会大大提高数据库查询操作的性能。 如同一开始的业务场景。如果数据量较大,不方便放在缓存中。需要对请求做拦截防止穿库。
  • 缓存宕机 缓存宕机的场景,使用布隆过滤器会造成一定程度的误判。原因是除了Bloom Filter 本身有误判率,宕机之前的缓存不一定能覆盖到所有DB中的数据,当宕机后用户请求了一个以前从未请求的数据,这个时候就会产生误判。当然,缓存宕机时使用布隆过滤器作为应急的方式,这种情况应该也是可以忍受的。
  • WEB拦截器 相同请求拦截防止被侵入。用户初次请求,将请求参数放入BloomFilter中,当第二次请求时,先判断请求参数是否被BloomFilter击中。可以提高缓存击中率。
  • 恶意地址检测 chrome 浏览器检查是否是恶意地址。 首先针对本地BloomFilter检查任何URL,并且仅当BloomFilter返回肯定结果时才对所执行的URL进行全面检查(并且用户警告,如果它也返回肯定结果)。
  • 比特币加速 bitcoin 使用BloomFilter来加速钱包同步。

算法优点:

  • 数据空间小,不用存储数据本身。

算法本身缺点:

  • 元素可以添加到集合中,但不能被删除。
  • 匹配结果只能是“绝对不在集合中”,并不能保证匹配成功的值已经在集合中。
  • 当集合快满时,即接近预估大容量时,误报的概率会变大。
  • 数据占用空间放大。一般来说,对于1%的误报概率,每个元素少于10比特,与集合中的元素的大小或数量无关。 - 查询过程变慢,hash函数增多,导致每次匹配过程,需要查找多个位(hash个数)来确认是否存在。

对于BloomFilter的优点来说,缺点都可以忽略。毕竟只需要kN的存储空间就能存储N个元素。空间效率十分优秀。

如何使用BloomFilter

BloomFilter 需要一个大的bitmap来存储。鉴于目前公司现状,合适的存储容器是redis。

redis集成BloomFilter方案:

redis集成BloomFilter方案:

  • 原生python 调用setbit 构造 BloomFilter
  • lua脚本
  • Rebloom - Bloom Filter Module for Redis (注:redis Module在redis4.0引入)
  • 使用hiredis 调用redis pyreBloom

原生python 方法太慢,lua脚本和module 部署比较麻烦。于是我们推荐使用pyreBloom,底层使用。

  1. pyreBloom:master λ ls 
  2. Makefile bloom.h bloom.pxd murmur.c pyreBloom.pyx 
  3. bloom.c bloom.o main.c pyreBloom.c 

从文件命名上可以看到bloom 使用c编写。pyreBloom 使用cython编写。

bloom.h 里面实现BloomFilter的核心逻辑,完成与redis server的交互;hash函数;添加,检查和删除方法的实现。

  1. int init_pyrebloom(pyrebloomctxt * ctxt, char * key, uint32_t capacity, double error, char* host, uint32_t port, charpassword, uint32_t db); 
  2. int free_pyrebloom(pyrebloomctxt * ctxt); 
  3. int add(pyrebloomctxt * ctxt, const char * data, uint32_t len); 
  4. int add_complete(pyrebloomctxt * ctxt, uint32_t count); 
  5. int check(pyrebloomctxt * ctxt, const char * data, uint32_t len); 
  6. int check_next(pyrebloomctxt * ctxt); 
  7. int delete(pyrebloomctxt * ctxt); 

pyreBloom.pyx

  1. import math 
  2. import random 
  3. cimport bloom 
  4. class pyreBloomException(Exception): 
  5.     '''Some sort of exception has happened internally''' 
  6.     pass 
  7. cdef class pyreBloom(object): 
  8.     cdef bloom.pyrebloomctxt context 
  9.     cdef bytes key 
  10.     property bits: 
  11.         def __get__(self): 
  12.             return self.context.bits 
  13.     property hashes: 
  14.         def __get__(self): 
  15.             return self.context.hashes 
  16.     def __cinit__(self, key, capacity, error, host='127.0.0.1', port=6379, 
  17.         password='', db=0): 
  18.         self.key = key 
  19.         if bloom.init_pyrebloom(&self.context, self.key, capacity, 
  20.             error, host, port, password, db): 
  21.             raise pyreBloomException(self.context.ctxt.errstr) 
  22.     def __dealloc__(self): 
  23.         bloom.free_pyrebloom(&self.context) 
  24.     def delete(self): 
  25.         bloom.delete(&self.context) 
  26.     def put(self, value): 
  27.         if getattr(value, '__iter__'False): 
  28.             r = [bloom.add(&self.context, v, len(v)) for v in value] 
  29.             r = bloom.add_complete(&self.context, len(value)) 
  30.         else
  31.             bloom.add(&self.context, value, len(value)) 
  32.             r = bloom.add_complete(&self.context, 1) 
  33.         if r < 0: 
  34.             raise pyreBloomException(self.context.ctxt.errstr) 
  35.         return r 
  36.     def add(self, value): 
  37.         return self.put(value) 
  38.     def extend(self, values): 
  39.         return self.put(values
  40.     def contains(self, value): 
  41.         # If the object is 'iterable'... 
  42.         if getattr(value, '__iter__'False): 
  43.             r = [bloom.check(&self.context, v, len(v)) for v in value] 
  44.             r = [bloom.check_next(&self.context) for i in range(len(value))] 
  45.             if (min(r) < 0): 
  46.                 raise pyreBloomException(self.context.ctxt.errstr) 
  47.             return [v for v, included in zip(value, r) if included] 
  48.         else
  49.             bloom.check(&self.context, value, len(value)) 
  50.             r = bloom.check_next(&self.context) 
  51.             if (r < 0): 
  52.                 raise pyreBloomException(self.context.ctxt.errstr) 
  53.             return bool(r) 
  54.     def __contains__(self, value): 
  55.         return self.contains(value) 
  56.     def keys(self): 
  57.         '''Return a list of the keys used in this bloom filter''' 
  58.         return [self.context.keys[i] for i in range(self.context.num_keys)] 
  59. 原生pyreBloom方法: 
  60. cdef class pyreBloom(object): 
  61.  cdef bloom.pyrebloomctxt context 
  62.  cdef bytes 
  63.  property bits: 
  64.  property hashes: 
  65.  // 使用的hash方法数 
  66.  def delete(self): 
  67.  // 删除,会在redis中删除 
  68.  def put(self, value): 
  69.  // 添加 底层方法, 不建议直接调用 
  70.  def add(self, value): 
  71.  // 添加单个元素,调用put方法 
  72.  def extend(self, values): 
  73.  // 添加一组元素,调用put方法 
  74.  def contains(self, value): 
  75.  // 检查是否存在,当`value`可以迭代时,返回`[value]`, 否则返回`bool` 
  76.  def keys(self): 
  77.  // 在redis中存储的key列表 

由于pyreBloom使用hiredis库,本身没有重连等逻辑,于是错了简单的封装。

  1. # coding=utf-8 
  2. ''
  3. bloom filter 基础模块 
  4. 可用方法: 
  5. extend, keys, containsadd, put, hashes, bits, delete 
  6. 使用方法: 
  7. >>> class TestModel(BaseModel): 
  8. ... PREFIX = "bf:test" 
  9. >>> t = TestModel() 
  10. >>> t.add('hello'
  11. >>> t.extend(['hi''world']) 
  12. >>> t.contains('hi'
  13. True 
  14. >>> t.delete() 
  15. ''
  16. import logging 
  17. from six import PY3 as IS_PY3 
  18. from pyreBloom import pyreBloom, pyreBloomException 
  19. from BloomFilter.utils import force_utf8 
  20. class BaseModel(object): 
  21. ''
  22. bloom filter 基础模块 
  23. 参数: 
  24. SLOT: 可用方法类型 
  25. PREFIX: redis前缀 
  26. BF_SIZE: 
  27. BF_ERROR: 允许的出错率 
  28. RETRIES: 连接重试次数 
  29. host: redis 服务器IP 
  30. port: redis 服务器端口 
  31. db: redis 服务器DB 
  32. _bf_conn: 内部保存`pyreBloom`实例 
  33. ''
  34. SLOT = {'add''contains''extend''keys''put''delete'
  35. 'bits''hashes'
  36. PREFIX = "" 
  37. BF_SIZE = 100000 
  38. BF_ERROR = 0.01 
  39. RETRIES = 2 
  40. def __init__(self, redis=None): 
  41. ''
  42. 初始化redis配置 
  43. :param redis: redis 配置 
  44. ''
  45. # 这里初始化防止类静态变量多个继承类复用,导致数据被污染 
  46. self._bf_conn = None 
  47. self._conf = { 
  48. 'host''127.0.0.1''password'''
  49. 'port': 6379, 'db': 0 
  50. if redis: 
  51. for k, v in redis.items(): 
  52. if k in self._conf: 
  53. self._conf[k] = redis[k] 
  54. self._conf = force_utf8(self._conf) 
  55. @property 
  56. def bf_conn(self): 
  57. ''
  58. 初始化pyreBloom 
  59. ''
  60. if not self._bf_conn: 
  61. prefix = force_utf8(self.PREFIX) 
  62. logging.debug( 
  63. 'pyreBloom connect: redis://%s:%s/%s, (%s %s %s)'
  64. self._conf['host'], self._conf['port'], self._conf['db'], 
  65. prefix, self.BF_SIZE, self.BF_ERROR, 
  66. self._bf_conn = pyreBloom( 
  67. prefix, self.BF_SIZE, self.BF_ERROR, **self._conf) 
  68. return self._bf_conn 
  69. def __getattr__(self, method): 
  70. '''调用pyrebloom方法 
  71. 没有枚举的方法将从`pyreBloom`中获取 
  72. :param method: 
  73. :return: pyreBloom.{method} 
  74. ''
  75. # 只提供内部方法 
  76. if method not in self.SLOT: 
  77. raise NotImplementedError() 
  78. # 捕获`pyreBloom`的异常, 打印必要的日志 
  79. def catch_error(*a, **kwargs): 
  80. '''多次重试服务''' 
  81. args = force_utf8(a) 
  82. kwargs = force_utf8(kwargs) 
  83. for _ in range(self.RETRIES): 
  84. try: 
  85. func = getattr(self.bf_conn, method) 
  86. res = func(*args, **kwargs) 
  87. # python3 返回值和python2返回值不相同, 
  88. # 手工处理返回类型 
  89. if method == 'contains' and IS_PY3: 
  90. if isinstance(res, list): 
  91. return [i.decode('utf8'for i in res] 
  92. return res 
  93. except pyreBloomException as error: 
  94. logging.warn( 
  95. 'pyreBloom Error: %s %s', method, str(error)) 
  96. self.reconnect() 
  97. if _ == self.RETRIES: 
  98. logging.error('pyreBloom Error'
  99. raise error 
  100. return catch_error 
  101. def __contains__(self, item): 
  102. '''跳转__contains__方法 
  103. :param item: 查询元素列表/单个元素 
  104. :type item: list/basestring 
  105. :return: [bool...]/bool 
  106. ''
  107. return self.contains(item) 
  108. def reconnect(self): 
  109. ''
  110. 重新连接bloom 
  111. `pyreBloom` 连接使用c driver,没有提供timeout参数,使用了内置的timeout 
  112. 同时为了保证服务的可靠性,增加了多次重试机制。 
  113. struct timeval timeout = { 1, 5000 }; 
  114. ctxt->ctxt = redisConnectWithTimeout(host, port, timeout); 
  115. del self._bf_conn 会调用`pyreBloom`内置的C的del方法,会关闭redis连接 
  116. ''
  117. if self._bf_conn: 
  118. logging.debug('pyreBloom reconnect'
  119. del self._bf_conn 
  120. self._bf_conn = None 
  121. _ = self.bf_conn 

进阶:计数过滤器(Counting Filter)

提供了一种在BloomFilter上实现删除操作的方法,而无需重新重新创建过滤器。在计数滤波器中,阵列位置(桶)从单个位扩展为n位计数器。实际上,常规布隆过滤器可以被视为计数过滤器,其桶大小为一位。

插入操作被扩展为递增桶的值,并且查找操作检查每个所需的桶是否为非零。然后,删除操作包括递减每个桶的值。

存储桶的算术溢出是一个问题,并且存储桶应该足够大以使这种情况很少见。如果确实发生,则增量和减量操作必须将存储区设置为最大可能值,以便保留BloomFilter的属性。

计数器的大小通常为3或4位。因此,计算布隆过滤器的空间比静态布隆过滤器多3到4倍。相比之下, Pagh,Pagh和Rao(2005)以及Fan等人的数据结构。(2014)也允许删除但使用比静态BloomFilter更少的空间。

计数过滤器的另一个问题是可扩展性有限。由于无法扩展计数布隆过滤器表,因此必须事先知道要同时存储在过滤器中的最大键数。一旦超过表的设计容量,随着插入更多密钥,误报率将迅速增长。

Bonomi等人。(2006)引入了一种基于d-left散列的数据结构,它在功能上是等效的,但使用的空间大约是计算BloomFilter的一半。此数据结构中不会出现可伸缩性问题。一旦超出设计容量,就可以将密钥重新插入到双倍大小的新哈希表中。

Putze,Sanders和Singler(2007)的节省空间的变体也可用于通过支持插入和删除来实现计数过滤器。

Rottenstreich,Kanizo和Keslassy(2012)引入了一种基于变量增量的新通用方法,该方法显着提高了计算布隆过滤器及其变体的误报概率,同时仍支持删除。与计数布隆过滤器不同,在每个元素插入时,散列计数器以散列变量增量而不是单位增量递增。要查询元素,需要考虑计数器的确切值,而不仅仅是它们的正面性。如果由计数器值表示的总和不能由查询元素的相应变量增量组成,则可以将否定答案返回给查询。

责任编辑:武晓燕 来源: 今日头条
相关推荐

2024-01-05 09:04:35

隆过滤器数据结构哈希函数

2022-03-21 08:31:07

布隆过滤器Redis过滤器原理

2024-03-15 11:21:22

布隆过滤器数据库数据

2023-04-26 08:32:45

Redis布隆过滤器

2024-09-18 10:08:37

2024-01-22 04:00:00

2024-11-04 08:45:48

布隆过滤器元数据指纹值

2019-10-12 14:19:05

Redis数据库缓存

2023-03-10 13:33:00

缓存穿透缓存击穿缓存雪崩

2020-10-29 07:16:26

布隆过滤器场景

2023-01-31 08:19:53

二进制元素数量

2020-03-16 14:57:24

Redis面试雪崩

2021-09-03 06:33:24

布隆过滤器高并发

2024-10-09 15:54:38

布隆过滤器函数

2024-10-17 08:53:41

2024-09-25 17:44:08

2024-10-18 08:33:02

Java布隆过滤器

2024-03-04 10:24:34

布隆过滤器C#代码

2021-06-05 09:01:01

Redis缓存雪崩缓存穿透

2021-03-06 14:41:07

布隆过滤器算法
点赞
收藏

51CTO技术栈公众号