大数据过滤及判断算法 -- Bitmap / Bloomfilter
今天,有个同学向我咨询大数据的一些面试题,其中一类比较有代表性比如判断是否在集合内,比如10个url,判断一个url是否在集合内,还比如有个1~100万个连续无序数字,随机取出里面的N个,求这N个数字等等。这类问题都需要一个大的数据集合,而且每个数据单元都很小,比如一个int 。很大程度上,这类问题可以用Bitmap或者Bloomfilter来做,基本思想就是开辟一块大内存,然后利用一个byte里的8个bit来实现按位标记元素。因为地址空间都是连续的,所以查找都是O(1)的。这里需要说的是,BloomFilter判断属不属于集合,在理论上是存在误判的,如果要求数据100%正确,则不要使用BloomFilter。
进入正题,Bitmap正如其名,就是一块内存,内存是一个一个连续的位图,每一个位通过0、1代表一个元素的有无。比如数字为N的数字对应到Bitmap就是第N/8个byte的字节,和第N%8个01位,这么映射。所以通过检测对应的bit位即可知道数据在不在集合内,而且能保证正确。直接上代码 :
#include <cstdlib> #include <iostream> #include <algorithm> #include <vector> #include <stddef.h> #include <memory.h> #define BYTES 12500 int main() { srand((unsigned int)time(NULL)); size_t total_numbers = 100000; typedef std::vector<int> SetContainer; typedef std::vector<int>::iterator SetIterator; SetContainer numbers; numbers.reserve(total_numbers); int r1 = rand() % total_numbers; int r2 = r1 + 1000; // generate total_numbers-2 numbers for(int i=0;i!=total_numbers;++i) { if (i!=r1 && i!= r2) numbers.push_back(i); } std::cout<<"["<<numbers.size()<<"] insert ok"; std::cin.get(); // shuffle std::random_shuffle(numbers.begin(),numbers.end()); unsigned char *bitmap = (unsigned char*)malloc(BYTES); memset(bitmap,0,BYTES); for (SetIterator itr=numbers.begin();itr!=numbers.end();++itr) { ptrdiff_t forward = (*itr) / 8; size_t offset = (*itr) % 8; bitmap[forward] |= (0x80UL >> offset); } std::cout<<"Bitmap build ok"; std::cin.get(); for (int j=0;j!=BYTES;++j) { if (bitmap[j]!=0xFF) { std::cout<<"FIND "; unsigned long num = j * 8; unsigned char check = bitmap[j]; unsigned char bit = 0; while(bit!=8) { if (0 == (check&(0x80UL>>bit))) std::cout<<"["<<(num+bit)<<"] "; bit++; } std::cout<<std::endl; } } std::cout<<"DONE"; std::cin.get(); free(bitmap); return 0; }
BloomFilter,是由 Howard Bloom 在 1970 年提出的二进制向量数据结构,适合与比Bitmap更多量的数据,通过图片看一下方法流程 :
1、初始化一块大内存用于存放01标志位:
2、通过使用N个hash函数(N==3),对同一个值Hash多次哈希,然后同Bitmap一样映射到Bloomfilter中去,
3、检测时,同样通过N次哈希,在映射的位中去找,并要保持映射的每一位都是1的情况下,即检测处包含关系。正如前面说的,BloomFilter可能有误判,误判的几率取决于Hash函数的个数,Hash函数冲撞的概率,以及Bloomfilter开开辟的内存大小。Hash函数的个数要取个合适的值,大了会造成效率问题,少了可能误判高,理论5~10个之间,工程里用3~5个,具体多少可以视需求而定。
代码 :
#include <cstdlib> #include <cstdio> #include <iostream> #include <algorithm> #include <vector> #include <stddef.h> #include <memory.h> #define BLOOM (1024UL*1024UL*1024UL) // 1G #define HASH_RESULT 3 typedef unsigned char BloomFilter; typedef struct __hash_result { size_t N; // how many result size_t result[0]; }HashResult; /* Brian Kernighan & Dennis Ritchie hashfunction , used in Java */ size_t BKDR_hash(const char* str) { register size_t hash = 0; while (size_t ch = (size_t)*str++) { hash = hash * 131 + ch; } return hash; } /* Unix System Hashfunction , also used in Microsoft's hash_map */ size_t FNV_hash(const char* str) { if(!*str) return 0; register size_t hash = 2166136261; while (size_t ch = (size_t)*str++) { hash *= 16777619; hash ^= ch; } return hash; } /* Donald Knuth Hashfunction , presented in book <Art of Computer Programming> */ size_t DEK_hash(const char* str) { if(!*str) return 0; register size_t hash = 1315423911; while (size_t ch = (size_t)*str++) { hash = ((hash << 5) ^ (hash >> 27)) ^ ch; } return hash; } typedef size_t (*HASH_FUNC)(const char*); HASH_FUNC HASH[] = { BKDR_hash,FNV_hash,DEK_hash }; void bloom_filter_mark(BloomFilter* bf, const char* v) { HashResult *hr = (HashResult*)calloc(1,sizeof(HashResult)+(sizeof(size_t)*HASH_RESULT)); for (int i=0;i!=HASH_RESULT;++i) { hr->result[i] = (HASH[i](v)) % BLOOM; // set the binary bit to 1 bf[hr->result[i]/8] |= 0x80UL >> (hr->result[i]%8); //printf("**%lu|hash-%d[%lu]|offset[%X]\n",HASH[i](v),i,hr->result[i],bf[hr->result[i]/8]); } free(hr); } bool bloom_filter_check(BloomFilter* bf, const char* v) { HashResult *hr = (HashResult*)calloc(1,sizeof(HashResult)+(sizeof(size_t)*HASH_RESULT)); size_t in = HASH_RESULT; for (int i=0;i!=HASH_RESULT;++i) { hr->result[i] = HASH[i](v) % BLOOM; //printf("**%lu|%X\n",hr->result[i],bf[hr->result[i]/8]); // check this bit is "1" or not if (bf[hr->result[i]/8] & (0x80UL >> (hr->result[i]%8))) in--; } free(hr); return in == 0; } int main() { // std::cout<<BKDR_hash("0")<<std::endl; // std::cout<<DEK_hash("0")<<std::endl; // std::cout<<FNV_hash("0")<<std::endl; BloomFilter* bloom = new (std::nothrow) BloomFilter[BLOOM]; if (NULL == bloom) printf("No Space to build BloomFilter\n"),exit(0); printf("BloomFilter Calloc Memory Ok\n"); for(int i=0;i!=1000000;i++) { char buf[16] = {0}; sprintf(buf,"%d",i); bloom_filter_mark(bloom,buf); } printf("BloomFilter Build Ok\n"); for(int i=999995;i!=1000010;i++) { char buf[16] = {0}; sprintf(buf,"%d",i); if (bloom_filter_check(bloom,buf)) printf("[FOUND] %d\n",i); } delete bloom; return 0; }
以上就是解决大数据判断在不在集合的通用方法,特定场景可以做一些优化。大家可以思考一下,本文开头的10个数字取出两个的问题,如果不用bitmap或者bloomfilter,可以怎么解决?引导一下,可以把所有数字乘起来和加起来,再用10000的阶乘和总和去减一个,就得到两个方程 x+y = M; x*y= N;不过这需要用string大整数阶乘的问题,还有比较耗内存,大家可以思议考一下更好的。。。。
建议继续学习:
- 大数据下的工行 (阅读:5537)
- Fastbit中的bitmap索引算法 (阅读:3756)
- 过滤部分字段重复的数据 (阅读:2993)
- 对HTML做白名单过滤 (阅读:2636)
- ORACLE BITMAP INDEX (阅读:2415)
- 五个实用的Google Analytics过滤设置 (阅读:2190)
- 企业掘金大数据的两种选择 (阅读:2124)
- 数据化比大数据更靠谱 (阅读:2069)
- 过滤字符的性能调优? (阅读:1992)
- 关于大区间过滤优化内存设计 (阅读:1670)
扫一扫订阅我的微信号:IT技术博客大学习
- 作者:GugeMichael 来源: 曦轩 技术茶话小屋
- 标签: Bitmap Bloomfilter 大数据 过滤
- 发布时间:2016-03-18 17:03:31
- [66] Go Reflect 性能
- [65] Oracle MTS模式下 进程地址与会话信
- [64] 如何拿下简短的域名
- [59] android 开发入门
- [59] IOS安全–浅谈关于IOS加固的几种方法
- [58] 图书馆的世界纪录
- [58] 【社会化设计】自我(self)部分――欢迎区
- [53] 视觉调整-设计师 vs. 逻辑
- [47] 界面设计速成
- [46] 读书笔记-壹百度:百度十年千倍的29条法则