本文作者：盧瑋，掌閱資深後端工程師
為什麼引入
我們的業務中經常會遇到穿庫的問題，通常可以通過快取解決。 如果資料維度比較多，結果資料集合比較大時，快取的效果就不明顯了。 因此為了解決穿庫的問題，我們引入Bloom Filter。
開源專案地址：github.com/luw2007/blo…
我們先看看一般業務快取流程：
先查詢快取，快取不命中再查詢資料庫。 然後將查詢結果放在快取中即使資料不存在，也需要建立一個快取，用來防止穿庫。這裡需要區分一下資料是否存在。 如果資料不存在，快取時間可以設定相對較短，防止因為主從同步等問題，導致問題被放大。
這個流程中存在薄弱的問題是，當使用者量太大時，我們會快取大量資料空資料，並且一旦來一波冷使用者，會造成雪崩效應。
對於這種情況，我們產生第二個版本流程:redis過濾冷使用者快取流程
我們將資料庫裡面中命中的使用者放在redis的set型別中，設定不過期。
這樣相當把redis當作資料庫的索引，只要查詢redis，就可以知道是否資料存在。
redis中不存在就可以直接返回結果。
如果存在就按照上面提到一般業務快取流程處理。
聰明的你肯定會想到更多的問題：
- redis本身可以做快取，為什麼不直接返回資料呢？
- 如果資料量比較大，單個set，會有效能問題？
- 業務不重要，將全量資料放在redis中，佔用伺服器大量記憶體。投入產出不成比例？
問題1需要區分業務場景，結果資料少，我們是可以直接使用redis作為快取，直接返回資料。 結果比較大就不太適合用redis存放了。比如ugc內容，一個評論裡面可能存在上萬字，業務欄位多。
redis使用有很多技巧。bigkey 危害比較大，無論是擴容或縮容帶來的記憶體申請釋放， 還是查詢命令使用不當導致大量資料返回，都會影響redis的穩定。這裡就不細談原因及危害了。 解決bigkey 方法很簡單。我們可以使用hash函式來分桶，將資料分散到多個key中。 減少單個key的大小，同時不影響查詢效率。
問題3是redis儲存佔用記憶體太大。因此我們需要減少記憶體使用。 重新思考一下引入redis的目的。 redis像一個集合，整個業務就是驗證請求的引數是否在集合中。
大部分的程式語言都內建了filter。
拿python舉例，filter函式用於過濾序列，
過濾掉不符合條件的元素，返回由符合條件元素組成的列表。
我們看個例子：
$ 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]
複製程式碼集合s中存在 2，4兩個數字，我們需要查詢 0，1，2 那些在集合s中。
lambda x:x in s構造一個匿名函式，判斷入參x是否在集合s中。
過濾器filter依次對列表中的數字執行匿名函式。最終返回列表[2]。
redis中實現set用了兩種結構：intset和hash table。 非數字或者大量數字時都會退化成hash table。 那麼是否好的演算法可以節省hash table的大小呢？
其實早在1970年由Burton Howard Bloom提出的布隆過濾器（英語：Bloom Filter）。
它實際上是一個很長的二進位制向量和一系列隨機對映函式。
布隆過濾器可以用於檢索一個元素是否在一個集合中。
它的優點是空間效率和查詢時間都遠遠超過一般的演算法，
缺點是有一定的誤識別率和刪除困難。
BloomFilter原理
我們常見的將業務欄位拼接之後md5，放在一個集合中。 md5生成一個固定長度的128bit的串。 如果我們用bitmap來表示，則需要
2**128 = 340282366920938463463374607431768211456 bit
複製程式碼判斷一個值在不在，就變成在這個bitmap中判斷所在位是否為1。 但是我們全世界的機器儲存空間也無法儲存下載。 因此我們只能分配有限的空間來儲存。 比如:
import crc32
def BloomFilter(sample, size, hash_size=1):
# 構造一個hash函式，將輸入資料雜湊到size一個位置上
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))
# 只有所有雜湊結果k都在s中，才認為i重複
if not k - s:
collision += 1
continue
# 將雜湊結果k更新到集合s中
s |= k
return collision
複製程式碼當只有一個hash函式時：很容易發生衝突。
可以看到上面1和2的hash結果都是7，發生衝突。 如果增加hash函式，會發生什麼情況？
我們使用更多的hash函式和更大的資料集合來測試。得到下面這張表
由此可以看到當增加hash方法能夠有效的降低碰撞機率。 比較好的資料如下：
但是增加了hash方法之後，會降低空間的使用效率。當集合佔用總體空間達到25%的時候， 增加hash 的效果已經不明顯
上面的使用多個hash方法來降低碰撞就是BloomFilter的核心思想。
適合的場景
-
資料庫防止穿庫 Google Bigtable，Apache HBase和Apache Cassandra以及Postgresql 使用BloomFilter來減少不存在的行或列的磁碟查詢。避免代價高昂的磁碟查詢會大大提高資料庫查詢操作的效能。 如同一開始的業務場景。如果資料量較大，不方便放在快取中。需要對請求做攔截防止穿庫。
-
快取當機 快取當機的場景，使用布隆過濾器會造成一定程度的誤判。原因是除了Bloom Filter 本身有誤判率，當機之前的快取不一定能覆蓋到所有DB中的資料，當當機後使用者請求了一個以前從未請求的資料，這個時候就會產生誤判。當然，快取當機時使用布隆過濾器作為應急的方式，這種情況應該也是可以忍受的。
-
WEB攔截器 相同請求攔截防止被攻擊。使用者第一次請求，將請求引數放入BloomFilter中，當第二次請求時，先判斷請求引數是否被BloomFilter命中。可以提高快取命中率
-
惡意地址檢測 chrome 瀏覽器檢查是否是惡意地址。 首先針對本地BloomFilter檢查任何URL，並且僅當BloomFilter返回肯定結果時才對所執行的URL進行全面檢查（並且使用者警告，如果它也返回肯定結果）。
-
比特幣加速 bitcoin 使用BloomFilter來加速錢包同步。
演算法優點：
- 資料空間小，不用儲存資料本身。
演算法本身缺點：
- 元素可以新增到集合中，但不能被刪除。
- 匹配結果只能是“絕對不在集合中”，並不能保證匹配成功的值已經在集合中。
- 當集合快滿時，即接近預估最大容量時，誤報的概率會變大。
- 資料佔用空間放大。一般來說，對於1％的誤報概率，每個元素少於10位元，與集合中的元素的大小或數量無關。 - 查詢過程變慢，hash函式增多，導致每次匹配過程，需要查詢多個位（hash個數）來確認是否存在。
對於BloomFilter的優點來說，缺點都可以忽略。畢竟只需要kN的儲存空間就能儲存N個元素。空間效率十分優秀。
如何使用BloomFilter
BloomFilter 需要一個大的bitmap來儲存。鑑於目前公司現狀，最好的儲存容器是redis。 從github topics: bloom-filter中經過簡單的調研。
redis整合BloomFilter方案：
- 原生python 呼叫setbit 構造 BloomFilter
- lua指令碼
- Rebloom - Bloom Filter Module for Redis (注：redis Module在redis4.0引入)
- 使用hiredis 呼叫redis pyreBloom
原生python 方法太慢，lua指令碼和module 部署比較麻煩。於是我們推薦使用pyreBloom，底層使用。
pyreBloom:master λ ls
Makefile bloom.h bloom.pxd murmur.c pyreBloom.pyx
bloom.c bloom.o main.c pyreBloom.c
複製程式碼從檔案命名上可以看到bloom 使用c編寫。pyreBloom 使用cython編寫。
bloom.h 裡面實現BloomFilter的核心邏輯，完成與redis server的互動；hash函式；新增，檢查和刪除方法的實現。
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);
複製程式碼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)]
複製程式碼原生pyreBloom方法:
cdef class pyreBloom(object):
cdef bloom.pyrebloomctxt context
cdef bytes
property bits:
property hashes:
// 使用的hash方法數
def delete(self):
// 刪除，會在redis中刪除
def put(self, value):
// 新增 底層方法, 不建議直接呼叫
def add(self, value):
// 新增單個元素，呼叫put方法
def extend(self, values):
// 新增一組元素，呼叫put方法
def contains(self, value):
// 檢查是否存在，當`value`可以迭代時，返回`[value]`, 否則返回`bool`
def keys(self):
// 在redis中儲存的key列表
複製程式碼由於pyreBloom使用hiredis庫，本身沒有重連等邏輯，於是錯了簡單的封裝。
# coding=utf-8
'''
bloom filter 基礎模組
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 基礎模組
引數：
SLOT: 可用方法型別
PREFIX: redis字首
BF_SIZE: 儲存最大值
BF_ERROR: 允許的出錯率
RETRIES: 連線重試次數
host: redis 伺服器IP
port: redis 伺服器埠
db: redis 伺服器DB
_bf_conn: 內部儲存`pyreBloom`例項
'''
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
'''
# 這裡初始化防止類靜態變數多個繼承類複用，導致資料被汙染
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):
'''呼叫pyrebloom方法
沒有列舉的方法將從`pyreBloom`中獲取
:param method:
:return: pyreBloom.{method}
'''
# 只提供內部方法
if method not in self.SLOT:
raise NotImplementedError()
# 捕獲`pyreBloom`的異常, 列印必要的日誌
def catch_error(*a, **kwargs):
'''多次重試服務'''
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，
# 手工處理返回型別
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):
'''跳轉__contains__方法
:param item: 查詢元素列表/單個元素
:type item: list/basestring
:return: [bool...]/bool
'''
return self.contains(item)
def reconnect(self):
'''
重新連線bloom
`pyreBloom` 連線使用c driver，沒有提供timeout引數，使用了內建的timeout
同時為了保證服務的可靠性，增加了多次重試機制。
struct timeval timeout = { 1, 5000 };
ctxt->ctxt = redisConnectWithTimeout(host, port, timeout);
del self._bf_conn 會呼叫`pyreBloom`內建的C的del方法，會關閉redis連線
'''
if self._bf_conn:
logging.debug('pyreBloom reconnect')
del self._bf_conn
self._bf_conn = None
_ = self.bf_conn
複製程式碼進階：計數過濾器(Counting Filter)
提供了一種在BloomFilter上實現刪除操作的方法，而無需重新重新建立過濾器。在計數濾波器中，陣列位置（桶）從單個位擴充套件為n位計數器。實際上，常規布隆過濾器可以被視為計數過濾器，其桶大小為一位。
插入操作被擴充套件為遞增桶的值，並且查詢操作檢查每個所需的桶是否為非零。然後，刪除操作包括遞減每個桶的值。
儲存桶的算術溢位是一個問題，並且儲存桶應該足夠大以使這種情況很少見。如果確實發生，則增量和減量操作必須將儲存區設定為最大可能值，以便保留BloomFilter的屬性。
計數器的大小通常為3或4位。因此，計算布隆過濾器的空間比靜態布隆過濾器多3到4倍。相比之下， Pagh，Pagh和Rao（2005）以及Fan等人的資料結構。（2014）也允許刪除但使用比靜態BloomFilter更少的空間。
計數過濾器的另一個問題是可擴充套件性有限。由於無法擴充套件計數布隆過濾器表，因此必須事先知道要同時儲存在過濾器中的最大鍵數。一旦超過表的設計容量，隨著插入更多金鑰，誤報率將迅速增長。
Bonomi等人。（2006）引入了一種基於d-left雜湊的資料結構，它在功能上是等效的，但使用的空間大約是計算BloomFilter的一半。此資料結構中不會出現可伸縮性問題。一旦超出設計容量，就可以將金鑰重新插入到雙倍大小的新雜湊表中。
Putze，Sanders和Singler（2007）的節省空間的變體也可用於通過支援插入和刪除來實現計數過濾器。
Rottenstreich，Kanizo和Keslassy（2012）引入了一種基於變數增量的新通用方法，該方法顯著提高了計算布隆過濾器及其變體的誤報概率，同時仍支援刪除。與計數布隆過濾器不同，在每個元素插入時，雜湊計數器以雜湊變數增量而不是單位增量遞增。要查詢元素，需要考慮計數器的確切值，而不僅僅是它們的正面性。如果由計數器值表示的總和不能由查詢元素的相應變數增量組成，則可以將否定答案返回給查詢。
開源專案地址：github.com/luw2007/blo…