布隆过滤器？好像有点局限啊，瞅一瞅布谷鸟过滤器

糗事！本来打算7点左右起床，看书充电的。然，并卵，床铺拖住了我的步伐，结果还是晚了半个小时。8点洗漱，仅仅半个小时的时间，可以说，收获寥寥。这么短的时间，很难深入都某个方面去学习，思考，只是草草过了一些知识点，模模糊糊看了一些东西。

结果，通勤路上，也在纠结者自己的计划与执行力，有句名言怎么说来着？“凡事预则立，不预则废”！这句话的意思是：任何事情，事前有准备就可以成功，没有准备就会失败。说话先有准备，就不会词穷理屈站不住脚；行事前计划先有定夺，就不会发生错误或后悔的事，哲学上反映的是原因和结果的关系。有时候某段时间，常常制定计划，结果一次次在执行前放弃，这个时候，其实已经不仅仅是放弃一次次机会了，似乎也在一点点消磨自己的心气，可能过一段时间之后，“计划”这个词，对我来说，只是一个遥远的记忆吧。

干碗鸡汤吧！给麻木的自己一点点激励。

别让“懈怠”打败你，也别让“拖沓”拖垮你，更不要让“下次”消磨你！

有志者立长志，无志者常立志。

come on ! cheers !

希望这碗鸡汤能引起你的一点共鸣。

好了，来看下今天的主题：布谷鸟过滤器。

之前我们已经看过了布隆过滤器，它通过hash和散列，对已有数据进行标记，通过对比请求数据，最终实现对请求数据过滤的功能。对于网站攻击拦截，数据去重，都有不错的效果。

当然，布隆过滤器也有着自己的局限性，首先就是数据流通性问题，我们知道，目前互联网中，数据时刻都是在流动的，布隆过滤器必须事先将已有的数据提前放入过滤器，之后才能进行过滤，而且，这个过程中，并不能进行删除和修改操作，这样对变化很快的数据来说，是很不友好的。

于是，就有人开始致力于修复这个局限，让布隆过滤器可以进行删除，从而出现了一种布隆过滤器的升级版，count bloom filter！什么意思呢？之前的布隆过滤器不是只占有一个bit位么，现在我把这bit位进行扩展，比如，扩展到4bit位，也就是新的布隆过滤器就是原来的4倍大小。4个bit位，对应的是同一个hash，可以存储的数据大小是0-15（2^4-1），当对数据进行hash，落到这个位置的时候，这个位置的数据就加1，删除的时候就减一，这样就实现了对数据的删除。如下图：

如图，data1的hash命中了第一个位置，于是第一个位置记为1，data1、data2、data3都命中了第三个位置，于是第三个位置记为3（二进制11）, data2、data3都命中了第六个位置，于是第六个位置记为2 。

删除的时候，同理，如果删除了某个数据，就在对应的hash位置上的数据减一。比如，上图中，删除了data1，那么，位置一减1，位置三减1，位置五也减1，其他数据并没有影响，不进行操作，这样，便完美的删除了data1。这便是对布隆过滤器的删除功能的实现。

但是，我们发现，这种操作有个很明显的问题，那就是算术溢出。如果操作几十万条数据，刚好hash碰撞频率很高，那么同一个位置，一直加一，最终肯定会有溢出的，比如就以上图为主，一个位置占据4个bit的空间，一旦超过15，再进行累加，数据直接就混乱了。当然，也可以增加存储的bit的空间，但是许多没有命中的明显会有很严重的空间浪费。还有就是bloom filter 不能进行伸缩，也就是不能扩展，所以需要保证最大的元素个数需要提前知道，否则一旦插入的元素超过了容量，误判率将急剧增加。

这个时候，有个牛皮哄哄的卡内基梅隆大学的大神发表了一篇论文：Cuckoo Filter: Practically Better Than Bloom ，用我勉强认识英文单词的水平翻译下就是---布谷鸟过滤器：用起来比布隆过滤器强多了！

前人栽树，后人砍树。人家论文都写好了，咱们就过来瞅瞅呗。至于翻译就算了，我也是从“中间商”那里看到的解释，直接分析这种论文对我来说，呵呵呵！

布谷鸟，布谷鸟大家知道不？好吧，来个更熟悉一点的，“鸠占鹊巢”这个成语大家总知道吧？这个“鸠”说的就是布谷鸟！让我来给大家展示一段详细的解释。

“鸠占鹊巢”成语里的两种鸟，鹊和鸠，其中争议比较小的是鸠，这里的鸠不是指鸠鸽类的斑鸠。而是指俗称布谷鸟的一种杜鹃，古称鸤鸠。吴代陆玑撰毛诗陆疏广要说：“鸠，鸤鸠也。今谓布谷。”诗经曹风里也有用鸤鸠四处下蛋，来比喻儿子不在身边的篇章：“鸤鸠在桑，其子在梅…鸤鸠在桑，其子在棘…鸤鸠在桑，其子在榛。”

意思是鸤鸠 [1]  不会做巢，常强占喜鹊的窠。本指女子出嫁，定居于夫家。后比喻强占别人的住处。出自《诗经·召南·鹊巢》。

先说下布谷鸟过滤器的主要思想，上面我们已经说了count bloom filter，主要缺点是容易溢出，不好扩展，而且可能会有严重的空间浪费。而布谷鸟过滤器呢？让我们来看下论文原作者对布谷鸟过滤器优点的阐述：

1. 它支持动态添加和删除项；

2. 它提供了比传统的布隆过滤器更高的查找性能，即使当其接近满载（例如，95%的空间已被使用）； 

3. 它比诸如商过滤器等替代品更容易实现；

4. 在许多实际应用中，如果目标假阳性率ε小于3%，则它使用的空间小于布隆过滤器。

我们来主要看下，首先是可以动态删除和添加，这个不必多说，其次就是空间利用率。我们知道，布隆过滤器可能会放过不存在的数据，而且布隆过滤器提前把数据放的越满，误判率（假阳性）就越高，如果你把布隆过滤器塞满了，那不用说，这个过滤器卵用都没了。一般来说，布隆过滤器是不能存满超过一半的空间的，也就是说，50%的空间都是浪费掉的。

下面我们来看下布谷鸟过滤器的设计，了解下简单的结构。

布谷鸟过滤器也是根据数据二进制这个特性设计的，不过比布隆过滤器更加精巧一些。它不仅会记录数据的位置信息，还会记录数据的指纹信息。

如上图，一个基本的布谷鸟哈希表由一个桶数组组成，每个插入项都有由散列函数h1(x)和h2(x)确定的两个候选桶。 查找过程会检查两个桶是否任意一个桶包含此项。 图1(a)显示将新项 x 插入到8个桶的哈希表中的示例，其中 x 可以放置在桶2或6中。 如果x的两个桶中的任何一个是空的，则算法将x插入到该空桶中，插入完成。如果两个桶都没有空间，如例所示，项选择一个候选桶 (例如桶 6), 踢出去现有的项 (在本例中为“a”) 并将此被踢出项重新插入到它的备用位置。 在我们的例子中，重新放置“a”触发了另一个重置，将现有的项“c”从桶4踢到桶1。这个过程可能会重复，直到找到一个空桶，如图1(b)所示或直到达到最大位移次数（例如在我们的实现中为500次）。如果没有找到空桶则认为此哈希表太满，无法插入。 虽然布谷鸟散列可能执行一系列重置，但其均摊插入时间为O（1）。

     布谷鸟散列确保了高空间占用率，因为它改进了在插入新项时对先前项放置决策。 布谷鸟散列的大多数实际实现是通过使用包含多个项的桶（一般来说是两个桶）来扩展上面的基本描述。在假设所有散列函数都是完全随机的情况下，使用k个哈希函数和大小为b的桶时的最大可能负载已经被分析过了。通过配置适当的布谷鸟哈希表参数，其95%的表空间可以被填充。

简单来说，布谷鸟过滤器是有两个has算法，其中一个是用来计算数据存储的位置，可能也有位运算（类似求余），另一个就是计算数据的指纹信息。比如上图中的a，计算出了对应的hash位置，同时会将指纹信息的一部分，也就是指纹hash计算的值的后几位bit，放入预先准备的空间中。

hash冲突肯定会存在的，但是作者巧妙的设计了计算指纹信息的hash和计算位置的hash，这样最终对比的结果几乎不会一样。而且，两个hash位置h1和h2可以通过一种计算相互转换。

fp = fingerprint(x)
h1 = hash(x)
h2 = h1 ^ hash(fp)  // 异或

h1 = h2 ^ hash(fp)

fp是x的指纹信息，h1是hash 桶数组一的位置（一般会有两个桶，冲突会降低，空间利用率也会提高很多），h2是hash 桶数组二的位置。

指纹计算是求hash，最后根据数组长度进行部分截取，获取其中的一部分二进制数据，存入数组。位置计算的话，也是进行的位运算（这也是布谷鸟过滤器要求长度必须是2的倍数的原因之一），使用的是异或运算。 二进制运算 ，计算机原理里面的东东，什么原码、反码、补码、与、或、非、同或、异或等等，大家应该都明白，之前的聊一聊java线程池ThreadPoolExecutor（二）——线程池状态 里面就有涉及二进制计算，不太明白的可以结合看下，或者去学习下二进制计算。

从上面的公式中可以看到，针对一个数据，有hash，有指纹，若是要发生误判，首先要有hash碰撞，其次，指纹信息也要相同。布谷鸟过滤器作者通过巧妙的设计hash函数，尽可能的规避了这种误判的存在，当然指纹信息越多，存储的信息越精确，越不容易出现假阳性（误判），也就是牺牲空间，提高精确度。空间与精确度之间应该是有一个权衡，以做到最合适的空间大小来完成对数据的过滤。

由于过滤器中存有数据的指纹信息，于是，对数据的增删来说，都是可以的，大大增加了布谷鸟过滤器的灵活性。

查了一圈，似乎没找到java版本的布谷鸟过滤器比较成熟的实现方式jar包【苦笑】，所以使用上，暂时还是建议大家使用布隆过滤器，有一个实现布谷鸟的java实现：https://github.com/MGunlogson/CuckooFilter4J   大家有兴趣的话可以看下。

 

No sacrifice，no victory~

标签：hash,布谷鸟,位置,布隆,过滤器,数据
来源： https://blog.csdn.net/zsah2011/article/details/115376172