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:
- redis本身可以做缓存,为什么不直接返回数据呢?
- 如果数据量比较大,单个set,会有性能问题?
- 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:
- $ python2
- Python 2.7.10 (default, Oct 6 2017, 22:29:07)
- [GCC 4.2.1 Compatible Apple LLVM 9.0.0 (clang-900.0.31)] on darwin
- Type "help", "copyright", "credits" or "license" for more information.
- >>> s = {2, 4}
- >>> filter(lambda x:x in s, [0, 1, 2])
- [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
- 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:
- import crc32
- def BloomFilter(sample, size, hash_size=1):
- # 构造一个hash函数,将输入数据散列到size一个位置上
- hash = lambda x:crc32(str(x).encode())%size
- collision, s = 0, set()
- for i in range(sample):
- k = set()
- for j in range(hash_size):
- k.add(hash(i+j*size/hash_size))
- # 只有所有散列结果k都在s中,才认为i重复
- if not k - s:
- collision += 1
- continue
- # 将散列结果k更新到集合s中
- s |= k
- 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:
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。
- pyreBloom:master λ ls
- Makefile bloom.h bloom.pxd murmur.c pyreBloom.pyx
- 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。
- int init_pyrebloom(pyrebloomctxt * ctxt, char * key, uint32_t capacity, double error, char* host, uint32_t port, char* password, uint32_t db);
- int free_pyrebloom(pyrebloomctxt * ctxt);
- int add(pyrebloomctxt * ctxt, const char * data, uint32_t len);
- int add_complete(pyrebloomctxt * ctxt, uint32_t count);
- int check(pyrebloomctxt * ctxt, const char * data, uint32_t len);
- int check_next(pyrebloomctxt * ctxt);
- int delete(pyrebloomctxt * ctxt);
pyreBloom.pyx
- import math
- import random
- cimport bloom
- class pyreBloomException(Exception):
- '''Some sort of exception has happened internally'''
- pass
- cdef class pyreBloom(object):
- cdef bloom.pyrebloomctxt context
- cdef bytes key
- property bits:
- def __get__(self):
- return self.context.bits
- property hashes:
- def __get__(self):
- return self.context.hashes
- def __cinit__(self, key, capacity, error, host='127.0.0.1', port=6379,
- password='', db=0):
- self.key = key
- if bloom.init_pyrebloom(&self.context, self.key, capacity,
- error, host, port, password, db):
- raise pyreBloomException(self.context.ctxt.errstr)
- def __dealloc__(self):
- bloom.free_pyrebloom(&self.context)
- def delete(self):
- bloom.delete(&self.context)
- def put(self, value):
- if getattr(value, '__iter__', False):
- r = [bloom.add(&self.context, v, len(v)) for v in value]
- r = bloom.add_complete(&self.context, len(value))
- else:
- bloom.add(&self.context, value, len(value))
- r = bloom.add_complete(&self.context, 1)
- if r < 0:
- raise pyreBloomException(self.context.ctxt.errstr)
- return r
- def add(self, value):
- return self.put(value)
- def extend(self, values):
- return self.put(values)
- def contains(self, value):
- # If the object is 'iterable'...
- if getattr(value, '__iter__', False):
- r = [bloom.check(&self.context, v, len(v)) for v in value]
- r = [bloom.check_next(&self.context) for i in range(len(value))]
- if (min(r) < 0):
- raise pyreBloomException(self.context.ctxt.errstr)
- return [v for v, included in zip(value, r) if included]
- else:
- bloom.check(&self.context, value, len(value))
- r = bloom.check_next(&self.context)
- if (r < 0):
- raise pyreBloomException(self.context.ctxt.errstr)
- return bool(r)
- def __contains__(self, value):
- return self.contains(value)
- def keys(self):
- '''Return a list of the keys used in this bloom filter'''
- return [self.context.keys[i] for i in range(self.context.num_keys)]
- 原生pyreBloom方法:
- cdef class pyreBloom(object):
- cdef bloom.pyrebloomctxt context
- cdef bytes
- property bits:
- property hashes:
- // 使用的hash方法数
- def delete(self):
- // 删除,会在redis中删除
- def put(self, value):
- // 添加 底层方法, 不建议直接调用
- def add(self, value):
- // 添加单个元素,调用put方法
- def extend(self, values):
- // 添加一组元素,调用put方法
- def contains(self, value):
- // 检查是否存在,当`value`可以迭代时,返回`[value]`, 否则返回`bool`
- def keys(self):
- // 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。
- # coding=utf-8
- '''
- bloom filter 基础模块
- 可用方法:
- extend, keys, contains, add, put, hashes, bits, delete
- 使用方法:
- >>> class TestModel(BaseModel):
- ... PREFIX = "bf:test"
- >>> t = TestModel()
- >>> t.add('hello')
- 1
- >>> t.extend(['hi', 'world'])
- 2
- >>> t.contains('hi')
- True
- >>> t.delete()
- '''
- import logging
- from six import PY3 as IS_PY3
- from pyreBloom import pyreBloom, pyreBloomException
- from BloomFilter.utils import force_utf8
- class BaseModel(object):
- '''
- bloom filter 基础模块
- 参数:
- SLOT: 可用方法类型
- PREFIX: redis前缀
- BF_SIZE:
- BF_ERROR: 允许的出错率
- RETRIES: 连接重试次数
- host: redis 服务器IP
- port: redis 服务器端口
- db: redis 服务器DB
- _bf_conn: 内部保存`pyreBloom`实例
- '''
- SLOT = {'add', 'contains', 'extend', 'keys', 'put', 'delete',
- 'bits', 'hashes'}
- PREFIX = ""
- BF_SIZE = 100000
- BF_ERROR = 0.01
- RETRIES = 2
- def __init__(self, redis=None):
- '''
- 初始化redis配置
- :param redis: redis 配置
- '''
- # 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
- self._bf_conn = None
- self._conf = {
- 'host': '127.0.0.1', 'password': '',
- 'port': 6379, 'db': 0
- }
- if redis:
- for k, v in redis.items():
- if k in self._conf:
- self._conf[k] = redis[k]
- self._conf = force_utf8(self._conf)
- @property
- def bf_conn(self):
- '''
- 初始化pyreBloom
- '''
- if not self._bf_conn:
- prefix = force_utf8(self.PREFIX)
- logging.debug(
- 'pyreBloom connect: redis://%s:%s/%s, (%s %s %s)',
- self._conf['host'], self._conf['port'], self._conf['db'],
- prefix, self.BF_SIZE, self.BF_ERROR,
- )
- self._bf_conn = pyreBloom(
- prefix, self.BF_SIZE, self.BF_ERROR, **self._conf)
- return self._bf_conn
- def __getattr__(self, method):
- '''调用pyrebloom方法
- 没有枚举的方法将从`pyreBloom`中获取
- :param method:
- :return: pyreBloom.{method}
- '''
- # 只提供内部方法
- if method not in self.SLOT:
- raise NotImplementedError()
- # 捕获`pyreBloom`的异常, 打印必要的日志
- def catch_error(*a, **kwargs):
- '''多次重试服务'''
- args = force_utf8(a)
- kwargs = force_utf8(kwargs)
- for _ in range(self.RETRIES):
- try:
- func = getattr(self.bf_conn, method)
- res = func(*args, **kwargs)
- # python3 返回值和python2返回值不相同,
- # 手工处理返回类型
- if method == 'contains' and IS_PY3:
- if isinstance(res, list):
- return [i.decode('utf8') for i in res]
- return res
- except pyreBloomException as error:
- logging.warn(
- 'pyreBloom Error: %s %s', method, str(error))
- self.reconnect()
- if _ == self.RETRIES:
- logging.error('pyreBloom Error')
- raise error
- return catch_error
- def __contains__(self, item):
- '''跳转__contains__方法
- :param item: 查询元素列表/单个元素
- :type item: list/basestring
- :return: [bool...]/bool
- '''
- return self.contains(item)
- def reconnect(self):
- '''
- 重新连接bloom
- `pyreBloom` 连接使用c driver,没有提供timeout参数,使用了内置的timeout
- 同时为了保证服务的可靠性,增加了多次重试机制。
- struct timeval timeout = { 1, 5000 };
- ctxt->ctxt = redisConnectWithTimeout(host, port, timeout);
- del self._bf_conn 会调用`pyreBloom`内置的C的del方法,会关闭redis连接
- '''
- if self._bf_conn:
- logging.debug('pyreBloom reconnect')
- del self._bf_conn
- self._bf_conn = None
- _ = 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。