guava提供的实现方式

1、引入Guava pom配置

<dependency>
  <groupId>com.google.guava</groupId>
  <artifactId>guava</artifactId>
  <version>29.0-jre</version>
</dependency>

2、代码实现

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;

public class BloomFilterCase {

  /**
   * 预计要插入多少数据
   */
  private static int size = 1000000;

  /**
   * 指望的误判率
   */
  private static double fpp = 0.01;

  /**
   * 布隆过滤器
   */
  private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size, fpp);


  public static void main(String[] args) {
    // 插入10万样本数据
    for (int i = 0; i < size; i++) {
      bloomFilter.put(i);
    }

    // 用另外十万测试数据，测试误判率
    int count = 0;
    for (int i = size; i < size + 100000; i++) {
      if (bloomFilter.mightContain(i)) {
        count++;
        System.out.println(i + "误判了");
      }
    }
    System.out.println("总共的误判数:" + count);
  }
}

运行结果：

10万数据里有947个误判，约等于0.01%，也就是咱们代码里设置的误判率：fpp = 0.01。

核心BloomFilter.create方法

这里有四个参数：

    funnel：数据类型(通常是调用Funnels工具类中的)

    expectedInsertions：指望插入的值的个数

    fpp：误判率(默认值为0.03)

    strategy：哈希算法

咱们重点讲一下fpp参数：fpp误判率

情景一：fpp = 0.01

误判个数：947

 占内存大小：9585058位数

情景二：fpp = 0.03（默认参数）

误判个数：3033

 占内存大小：7298440位数

 情景总结

    误判率能够经过fpp参数进行调节

    fpp越小，须要的内存空间就越大：0.01须要900多万位数，0.03须要700多万位数。

    fpp越小，集合添加数据时，就须要更多的hash函数运算更多的hash值，去存储到对应的数组下标里。（忘了去看上面的布隆过滤存入数据的过程）

上面的numBits，表示存一百万个int类型数字，须要的位数为7298440，700多万位。理论上存一百万个数，一个int是4字节32位，须要481000000=3200万位。若是使用HashMap去存，按HashMap50%的存储效率，须要6400万位。能够看出BloomFilter的存储空间很小，只有HashMap的1/10左右

上面的numHashFunctions表示须要几个hash函数运算，去映射不一样的下标存这些数字是否存在（0 or 1）

 

Redis提供的实现方式

上面使用Guava实现的布隆过滤器是把数据放在了本地内存中。分布式的场景中就不合适了，没法共享内存，这里使用Redis封装好的客户端工具Redisson

1、引入pom配置

<dependency>
  <groupId>org.redisson</groupId>
  <artifactId>redisson-spring-boot-starter</artifactId>
  <version>3.13.4</version>
</dependency>

2、代码实现

public class RedissonBloomFilter {

  public static void main(String[] args) {
    Config config = new Config();
    config.useSingleServer().setAddress("redis://127.0.0.1:6379");
    config.useSingleServer().setPassword("1234");
    //构造Redisson
    RedissonClient redisson = Redisson.create(config);

    RBloomFilter<String> bloomFilter = redisson.getBloomFilter("phoneList");
    //初始化布隆过滤器：预计元素为100000000L,偏差率为3%
    bloomFilter.tryInit(100000000L,0.03);
    //将号码10086插入到布隆过滤器中
    bloomFilter.add("10086");

    //判断下面号码是否在布隆过滤器中
    //输出false
    System.out.println(bloomFilter.contains("123456"));
    //输出true
    System.out.println(bloomFilter.contains("10086"));
  }
}

 转自：https://www.shangmayuan.com/a/cd0aabef37ca475f974e2e23.html

作者：IT老暖男

标签：实现,误判,布隆,int,须要,fpp,过滤器,bloomFilter
来源： https://www.cnblogs.com/hzzjj/p/15506577.html