图片来自 包图网
本文会介绍布隆过滤器，空间换时间，以较低的内存空间、高效解决这个问题。
性能不够，缓存来凑
现在的年轻人都喜欢网购，没事就逛逛淘宝，剁剁手，买些自己喜欢的东西，释放下工作压力。
地址：
- https://detail.tmall.com/item.htm?id=628993216729
上图是一个天猫 iPhone12 的商品详情页，id 表示商品的编号。
我们都知道淘宝的访问量是非常高的，为了提升系统的吞吐量，做了很多性能优化，其中非常重要一点是将信息异构到缓存中。
有句话说的好：性能不够，缓存来凑。但是，使用缓存时，我们要关注一个重要问题，如果缓存没有命中怎么办?
缓存没有命中，怎么办?
如上图：
- 我们先查询缓存，判断缓存中是否有数据
- 如果有数据，直接返回
- 如果缓存为空，我们需要再查一次数据库，并将数据格式异构化，然后预热到缓冲中，然后将结果返回
注意：步骤③存在风险漏洞，如果缓存中数据不存在，压力会转嫁给数据库。假如被竞争对手利用，搞无效请求流量攻击，瞬间大量请求打到数据库中，对系统性能产生很大影响，很容易把数据库打挂，这种现象称为缓存穿透。
那么如何处理缓存穿透?
我们的思路是，缓存中能不能判断这个数据库值的存在性，如果真的不存在，直接返回，也避免一次数据库查询。
由于不存在是个无限边界，所以，我们采用反向策略，将存在的值建立一个高效的检索。每次缓存取值时，先走一次判空检索。
简单归纳下，这个框架的要求：
- 快速检索
- 内存空间要非常小
经调研，我们发现布隆过滤器具备以上两个条件。
什么是布隆过滤器?
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中：
优点：空间效率和查询时间都远远超过一般的算法。
缺点：有一定的误识别率，删除困难。
布隆过滤器如何构建?
布隆过滤器本质上是一个 n 位的二进制数组，用 0 和 1 表示。假如我们以商品为例，有三件商品，商品编码分别为，id1、id2、id3。
①首先，对 id1，进行三次哈希，并确定其在二进制数组中的位置。
三次哈希，对应的二进制数组下标分别是 2、5、8，将原始数据从 0 变为 1。
②对 id2，进行三次哈希，并确定其在二进制数组中的位置。
三次哈希，对应的二进制数组下标分别是 2、7、98，将原始数据从 0 变为 1。
下标 2，之前已经被操作设置成 1，则本次认为是哈希冲突，不需要改动。
Hash 规则：如果在 Hash 后，原始位它是 0 的话，将其从 0 变为 1;如果本身这一位就是 1 的话，则保持不变。
布隆过滤器如何使用?
如下图：
跟初始化的过程有点类似，当查询一件商品的缓存信息时，我们首先要判断这件商品是否存在：
- 通过三个哈希函数对商品 id 计算哈希值
- 然后，在布隆数组中查找访问对应的位值，0 或 1
- 判断，三个值中，只要有一个不是 1，那么我们认为数据是不存在的。
注意：布隆过滤器只能精确判断数据不存在情况，对于存在我们只能说是可能，因为存在 Hash 冲突情况，当然这个概率非常低。
如何减少布隆过滤器的误判?
①增加二进制位数组的长度。这样经过 hash 后数据会更加的离散化，出现冲突的概率会大大降低。
②增加 Hash 的次数，变相的增加数据特征，特征越多，冲突的概率越小。
布隆过滤器会不会很费内存?
带着疑问，我们来做个实验：假设有 1 千万个数据，我们需要记录其是否存在。存在的话标记 1，不存在标记为 0。技术选型，框架采用 Redis 的 BitMap 存储。
数据初始化预热代码：
- redisTemplate.executePipelined(new RedisCallback<Long>() {
- @Nullable
- @Override
- public Long doInRedis(RedisConnection connection) throws DataAccessException {
- connection.openPipeline();
- for (int offset = 10000000; offset >= 0; offset--) {
- boolean value = offset % 2 == 0 ? true : false;
- connection.setBit("bloom-filter-data-1".getBytes(), offset, value);
- }
- connection.closePipeline();
- return null;
- }
- });
- System.out.println("数据预热完成");
性能有点慢，我们也可以采用分组形式，10000 个数一组，多批次提交。
数据上传完了后，大小 1.19M，跟我们设想的一样。
计算公式：10000000/8/1024/1024=1.19M
Java 应用中，如何使用布隆过滤器?
Java 语言的生态非常繁荣，提供了很多开箱即用的开源框架供我们使用。布隆过滤器也不例外，Java 中提供了一个 Redisson 的组件，它内置了布隆过滤器。
首先引入依赖包：
- <dependency>
- <groupId>org.redisson</groupId>
- <artifactId>redisson</artifactId>
- <version>3.11.1</version>
- </dependency>
代码示例：
- /**
- * @author
- */
- @Test
- public void test5() {
- Config config = new Config();
- config.useSingleServer().setAddress("redis://172.16.67.37:6379");
- RedissonClient cient = Redisson.create(config);
- RBloomFilter<String> bloomFilter = cient.getBloomFilter("test5-bloom-filter");
- // 初始化布隆过滤器，数组长度100W，误判率 1%
- bloomFilter.tryInit(1000000L, 0.01);
- // 添加数据
- bloomFilter.add("Tom哥");
- // 判断是否存在
- System.out.println(bloomFilter.contains("微观技术"));
- System.out.println(bloomFilter.contains("Tom哥"));
- }
运行结果：
- false // 肯定不存在
- true // 可能存在，有1%的误判率
注意：误判率设置过小，会产生更多次的 Hash 操作，降低系统的性能。通常我们的建议值是 1%。
布隆过滤器二进制数组，如何处理删除?
初始化后的布隆过滤器，可以直接拿来使用了。但是如果原始数据删除了怎么办?布隆过滤器二进制数组如何维护?
直接删除不行吗?还真不行!因为这里面有 Hash 冲突的可能，会导致误删。
怎么办?
- 方案 1：开发定时任务，每隔几个小时，自动创建一个新的布隆过滤器数组，替换老的，有点 CopyOnWriteArrayList 的味道。
- 方案 2：布隆过滤器增加一个等长的数组，存储计数器，主要解决冲突问题，每次删除时对应的计数器减一，如果结果为 0，更新主数组的二进制值为 0。
布隆过滤器的应用场景
如下：
本文重点介绍的，解决缓存穿透。
网页爬虫对 URL 的去重，避免爬取相同的 URL 地址。
反垃圾邮件，从数十亿个垃圾邮件列表中判断某邮箱是否垃圾邮箱。
作者：Tom哥
编辑：陶家龙
出处：转载自公众号微观技术(ID：weiguanjishu)
