布隆过滤器（Bloom Filter）

布隆过滤器（Bloom Filter）是一种比较巧妙的数据结构， 他的功能就是判断一个元素是否在一个集合中，  相比于List, Hash等数据结构，它使用的空间很小， 原理就是通过N个hash函数，映射到一个位图上，将指定位置的位图元素设置为1，因为它不存储原始数据，再加上位图长度没有办法扩展，所以有一定的误差， 这个误差用大白话来说就是： 如果布隆过滤器告诉你，一个元素不存在于集合中，那它一定不存在，如果告诉你一个元素存在于一个集合中，那它有可能存在，也有可能不存在， 这个误差 叫做 假阳性(FPP),  机器学习中二分类的混淆矩阵就有这个的介绍。 

Java中的Bloom Filter

这里直接使用guava中自带的

package org.example;

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

import java.nio.charset.Charset;


public class App {
    public static void main(String[] args) {
        BloomFilter<String> filter = BloomFilter.create(Funnels.stringFunnel(Charset.defaultCharset()), 5, 0.01);

        filter.put("a");

        System.out.println("contain:" + filter.mightContain("a"));
        System.out.println("FPP" + filter.expectedFpp());
        System.out.println("-------------------------------------------------");

        filter.put("b");
        filter.put("c");
        filter.put("d");

        System.out.println("contain:" + filter.mightContain("d"));
        System.out.println("FPP" + filter.expectedFpp());
        System.out.println("-------------------------------------------------");

        filter.put("e");

        System.out.println("contain:" + filter.mightContain("e"));
        System.out.println("FPP" + filter.expectedFpp());
        System.out.println("-------------------------------------------------");


    }
}

Bloom Filter有如下几个扩展：
Counting filters： 将原来的1个bit扩展为N个bit，可以实现元素的删除，代价就是整体的扩展也扩大了N倍

Compressed Bloom Filter

https://github.com/alexandrnikitin/bloom-filter-scala

Redis中的Bloom Filter

redis中的Bloom Filter通过下面三个命令控制

bf.reserve   创建一个Bloom Filter

bf.add/bf.madd   添加元素到Bloom Filter

bf.exists   判断元素是否在Bloom Filter中