這篇文章主要介紹了PHP中實(shí)現(xiàn)Bloom Filter算法,本文直接給出實(shí)現(xiàn)代碼,代碼中給出詳細(xì)注釋,Bloom Filter算法介紹等內(nèi)容,需要的朋友可以參考下
<?php
/*Bloom Filter算法來(lái)去重過(guò)濾。
介紹下Bloom Filter的基本處理思路：申請(qǐng)一批空間用于保存0 1信息，再根據(jù)一批哈希函數(shù)確定元素對(duì)應(yīng)的位置，如果每個(gè)哈希函數(shù)對(duì)應(yīng)位置的值為全部1，說(shuō)明此元素存在。相反，如果為0，則要把對(duì)應(yīng)位置的值設(shè)置為1。由于不同的元素可能會(huì)有相同的哈希值，即同一個(gè)位置有可能保存了多個(gè)元素的信息，從而導(dǎo)致存在一定的誤判率。
如果申請(qǐng)空間太小，隨著元素的增多，1會(huì)越來(lái)越多，各個(gè)元素沖突的機(jī)會(huì)越來(lái)越來(lái)大，導(dǎo)致誤判率會(huì)越來(lái)越大。另外哈希函數(shù)的選擇及個(gè)數(shù)上也要平衡好，多個(gè)哈希函數(shù)雖然可以提供判斷的準(zhǔn)確性，但是會(huì)降低程序的處理速度，而哈希函數(shù)的增加又要求有更多的空間來(lái)存儲(chǔ)位置信息。
Bloom-Filter的應(yīng)用。
Bloom-Filter一般用于在大數(shù)據(jù)量的集合中判定某元素是否存在。例如郵件服務(wù)器中的垃圾郵件過(guò)濾器。在搜索引擎領(lǐng)域，Bloom-Filter最常用于網(wǎng)絡(luò)蜘蛛(Spider)的URL過(guò)濾，網(wǎng)絡(luò)蜘蛛通常有一個(gè) URL列表，保存著將要下載和已經(jīng)下載的網(wǎng)頁(yè)的URL，網(wǎng)絡(luò)蜘蛛下載了一個(gè)網(wǎng)頁(yè)，從網(wǎng)頁(yè)中提取到新的URL后，需要判斷該URL是否已經(jīng)存在于列表中。此時(shí)，Bloom-Filter算法是最好的選擇。
比如說(shuō)，一個(gè)象 Yahoo,Hotmail 和 Gmai 那樣的公眾電子郵件（email）提供商，總是需要過(guò)濾來(lái)自發(fā)送垃圾郵件的人（spamer）的垃圾郵件。一個(gè)辦法就是記錄下那些發(fā)垃圾郵件的 email 地址。由于那些發(fā)送者不停地在注冊(cè)新的地址，全世界少說(shuō)也有幾十億個(gè)發(fā)垃圾郵件的地址，將他們都存起來(lái)則需要大量的網(wǎng)絡(luò)服務(wù)器。
布隆過(guò)濾器是由巴頓.布隆于一九七零年提出的。它實(shí)際上是一個(gè)很長(zhǎng)的二進(jìn)制向量和一系列隨機(jī)映射函數(shù)。我們通過(guò)上面的例子來(lái)說(shuō)明起工作原理。
假定我們存儲(chǔ)一億個(gè)電子郵件地址，我們先建立一個(gè)十六億二進(jìn)制（比特），即兩億字節(jié)的向量，然后將這十六億個(gè)二進(jìn)制位全部設(shè)置為零。對(duì)于每一個(gè)電子郵件地址 X，我們用八個(gè)不同的隨機(jī)數(shù)產(chǎn)生器（F1,F2, ...,F8） 產(chǎn)生八個(gè)信息指紋（f1, f2, ..., f8）。再用一個(gè)隨機(jī)數(shù)產(chǎn)生器 G 把這八個(gè)信息指紋映射到 1 到十六億中的八個(gè)自然數(shù) g1, g2, ...,g8?，F(xiàn)在我們把這八個(gè)位置的二進(jìn)制位全部設(shè)置為一。當(dāng)我們對(duì)這一億個(gè) email 地址都進(jìn)行這樣的處理后。一個(gè)針對(duì)這些 email 地址的布隆過(guò)濾器就建成了。（見(jiàn)下圖） 現(xiàn)在，讓我們看看如何用布隆過(guò)濾器來(lái)檢測(cè)一個(gè)可疑的電子郵件地址 Y 是否在黑名單中。我們用相同的八個(gè)隨機(jī)數(shù)產(chǎn)生器（F1, F2, ..., F8）對(duì)這個(gè)地址產(chǎn)生八個(gè)信息指紋 s1,s2,...,s8，然后將這八個(gè)指紋對(duì)應(yīng)到布隆過(guò)濾器的八個(gè)二進(jìn)制位，分別是 t1,t2,...,t8。如果 Y 在黑名單中，顯然，t1,t2,..,t8 對(duì)應(yīng)的八個(gè)二進(jìn)制一定是一。這樣在遇到任何在黑名單中的電子郵件地址，我們都能準(zhǔn)確地發(fā)現(xiàn)。
布隆過(guò)濾器決不會(huì)漏掉任何一個(gè)在黑名單中的可疑地址。但是，它有一條不足之處。也就是它有極小的可能將一個(gè)不在黑名單中的電子郵件地址判定為在黑名單中，因?yàn)橛锌赡苣硞€(gè)好的郵件地址正巧對(duì)應(yīng)八個(gè)都被設(shè)置成一的二進(jìn)制位。好在這種可能性很小。我們把它稱為誤識(shí)概率。在上面的例子中，誤識(shí)概率在萬(wàn)分之一以下。
布隆過(guò)濾器的好處在于快速，省空間。但是有一定的誤識(shí)別率。常見(jiàn)的補(bǔ)救辦法是在建立一個(gè)小的白名單，存儲(chǔ)那些可能別誤判的郵件地址。
*/
// 使用php程序來(lái)描述上面的算法
$set = array(1,2,3,4,5,6);
// 判斷5是否在$set 中
$bloomFiter = array(0,0,0,0,0,0,0,0,0,0);
// 通過(guò)某種算法改變$bloomFiter 中位數(shù)組表示集合,這里我們使用簡(jiǎn)單的算法,把集合中對(duì)應(yīng)的value 對(duì)應(yīng)到bloom中的位置變成1
// 算法如下
foreach($set as $key){
$bloomFiter[$key] = 1 ;
}
var_dump($bloomFiter) ;
//此時(shí) $bloomFiter = array(1,1,1,1,1,1);
//判斷是否在集合中
if($bloomFiter[9] ==1){
echo '在set 中';
}else{
echo '不在set 中' ;
}
// 上面只是一個(gè)簡(jiǎn)單的例子,實(shí)際上哈希算法需要好幾個(gè),但另一方面，如果哈希函數(shù)的個(gè)數(shù)少，那么位數(shù)組中的0就多
class bloom_filter {
function __construct($hash_func_num=1, $space_group_num=1) {
$max_length = pow(2, 25);
$binary = pack('C', 0);
//1字節(jié)占用8位
$this->one_num = 8;
//默認(rèn)32m*1
$this->space_group_num = $space_group_num;
$this->hash_space_assoc = array();
//分配空間
for($i=0; $i<$this->space_group_num; $i++){
$this->hash_space_assoc[$i] = str_repeat($binary, $max_length);
}
$this->pow_array = array(
0 => 1,
1 => 2,
2 => 4,
3 => 8,
4 => 16,
5 => 32,
6 => 64,
7 => 128,
);
$this->chr_array = array();
$this->ord_array = array();
for($i=0; $i<256; $i++){
$chr = chr($i);
$this->chr_array[$i] = $chr;
$this->ord_array[$chr] = $i;
}
$this->hash_func_pos = array(
0 => array(0, 7, 1),
1 => array(7, 7, 1),
2 => array(14, 7, 1),
3 => array(21, 7, 1),
4 => array(28, 7, 1),
5 => array(33, 7, 1),
6 => array(17, 7, 1),
);
$this->write_num = 0;
$this->ext_num = 0;
if(!$hash_func_num){
$this->hash_func_num = count($this->hash_func_pos);
}
else{
$this->hash_func_num = $hash_func_num;
}
}
function add($key) {
$hash_bit_set_num = 0;
// 離散key
$hash_basic = sha1($key);
// 截取前4位,然后十六進(jìn)制轉(zhuǎn)換為十進(jìn)制
$hash_space = hexdec(substr($hash_basic, 0, 4));
// 取模
$hash_space = $hash_space % $this->space_group_num;
for($hash_i=0; $hash_i<$this->hash_func_num; $hash_i++){
$hash = hexdec(substr($hash_basic, $this->hash_func_pos[$hash_i][0], $this->hash_func_pos[$hash_i][1]));
$bit_pos = $hash >> 3;
$max = $this->ord_array[$this->hash_space_assoc[$hash_space][$bit_pos]];
$num = $hash - $bit_pos * $this->one_num;
$bit_pos_value = ($max >> $num) & 0x01;
if(!$bit_pos_value){
$max = $max | $this->pow_array[$num];
$this->hash_space_assoc[$hash_space][$bit_pos] = $this->chr_array[$max];
$this->write_num++;
}
else{
$hash_bit_set_num++;
}
}
if($hash_bit_set_num == $this->hash_func_num){
$this->ext_num++;
return true;
}
return false;
}
function get_stat() {
return array(
'ext_num' => $this->ext_num,
'write_num' => $this->write_num,
);
}
}
//test
//取6個(gè)哈希值，目前是最多7個(gè)
$hash_func_num = 6;
//分配1個(gè)存儲(chǔ)空間，每個(gè)空間為32M，理論上是空間越大誤判率越低，注意php.ini中可使用的內(nèi)存限制
$space_group_num = 1;
$bf = new bloom_filter($hash_func_num, $space_group_num);
$list = array(
'http://test/1',
'http://test/2',
'http://test/3',
'http://test/4',
'http://test/5',
'http://test/6',
'http://test/1',
'http://test/2',
);
foreach($list as $k => $v){
if($bf->add($v)){
echo $v, "n";
}
}