Cassandra中BloomFIlter实现详解
零、BloomFilter原理概述
http://hi.baidu.com/waxiga/blog/item/33ef2ff49b138530bd3109ad.html
http://pages.cs.wisc.edu/~cao/papers/summary-cache/node8.html(cassandra中用到了其中的结论,特别注意那个表格)
一、从getFilter()函数入手
1.1第一个getFilter()函数:传入参数为元素的个数numElements、期望每个元素的桶个数targetBucketsPerElem(即m/n,m为比特数组位数,n为元素个数)。核心代码:
public static BloomFilter getFilter(long numElements, int targetBucketsPerElem) |
1)maxBucketsPerElement(numElements)函数返回每个元素最大的桶数目。返回值为:min(BloomCalculations.probs.length- 1, (Integer.MAX_VALUE-20)/ (double)numElements);其中前一项值为15.故maxBucketsPerElement变量最大值为15。
2)实际每个元素的桶数目为min(targetBucketsPerElem,maxBucketsPerElement);即取期望的桶数目和实际可能最大的桶数目中间的小值。
3)根据实际每个元素的桶数目,选择哈希函数的个数。BloomCalculations.BloomSpecificationspec =BloomCalculations.computeBloomSpec(bucketsPerElement);其中computeBloomSpec(bucketsPerElement)函数主要是创建BloomSpecification对象,newBloomSpecification(optKPerBuckets[bucketsPerElement],bucketsPerElement);其中构造函数参数为在当前bucketsPerElement的情况下,误报率最低的哈希函数的个数(即最优的哈希函数的个数optK)。
4)创建BloomFilter对象并返回。参数为哈希函数个数spec.K,以及BitSet对象(由bucketsFor()函数返回。该函数主要是根据元素数目和每个元素的桶数目,创建具有min(Integer.MAX,(numElements* bucketsPer + 20))大小的BitSet)。
1.2第二个getFilter()函数:传入参数是元素个数和错误率。
public static BloomFilter getFilter(long numElements, double maxFalsePosProbability) |
1)同上,maxBucketsPerElement(numElements)函数返回每个元素最大的桶数目。返回值为:min(BloomCalculations.probs.length- 1, (Integer.MAX_VALUE-20)/ (double)numElements);其中前一项值为15.故maxBucketsPerElement变量最大值为15。
2)根据每个元素的最大的桶数目和错误率,创建BitSet对象。
3)主要函数BloomCalculations.computeBloomSpec(bucketsPerElement,maxFalsePosProbability);
主要作用就是求出满足错误率要求的最小的butcktsPerElement和最小的哈希函数个数K。
4)最后构造BloomFilter对象返回,跟前一个一样。
可以总结下,maxBucketsPerElement最大是15,故哈希函数个数最多为8个。
二、BloomFilter类
add(Stringkey)函数分析
1)创建了BloomFilter对象后,接下来分析其中的函数,调用add函数将相应的值加入布隆过滤器,即对其经过哈希后相应的BitSet位置位。
public void add(String key){ |
getHashBuckets(key)函数返回key经过哈希后需要置位的int类型数组,filter_即为创建的BitSet对象。然后调用filter_.set(bucketIndex)对BitSet相应的位置位。
2)getHashBuckets(key)->Filter.getHashBuckets(key)->Filter.getHashBuckets(key,hashCount,buckets())->Filter.getHashBuckets(byte[]b,inthashCount,intmax)。
其中buckets()函数即返回filter_.size()。一个小点注意下:BItSet构造函数创建对象时,如果你指定的大小不是字对齐的,则创建后的大小会自动对其。比如你指定大小为100,实际创建的大小就是128。
3)关键的哈希函数就是Filter.getHashBuckets(byte[]b,inthashCount,intmax)。
static int[] getHashBuckets(byte[] b, int hashCount, int max) |
从代码中可以看出,这个哈希函数用到了双重散列,我们知道在所有的开放寻址法中,双重散列是最好方法之一。因为双重散列用到了O(m^2)种探查序列。具体分析可参见算法导论11.4节。
哈希函数用的是MurmurHash对象的hash函数,该函数很复杂,就不分析了。代码如下:
public int hash(byte[] data, int length, int seed) { |
isPresent(Stringkey)函数分析
1)函数代码如下:
public boolean isPresent(String key) |
2)由add函数分析就很容易了,根据key值哈希后得到的数组,判断数组中的值是否置位,只有所有的位都置位了才可能在里面,只要有一位没有置位,则key值肯定不在里面。