Algorithm 使用bloom过滤器的优势是什么？

我在读bloom过滤器，它们看起来很傻。使用bloom过滤器可以完成的任何事情，都可以使用单个哈希函数而不是多个哈希函数在更少的空间内、更高效地完成，或者看起来就是这样。为什么要使用bloom过滤器？它有什么用处？

bloom过滤器在生物信息学中非常有用。与使用常规散列相比，它们可以更节省空间，特别是当您正在处理的字符串的大小可以是数亿个字母，而字母表非常小，即{a，G，T，C}。它们通常用于评估基因组中是否存在某个k-mer。有一个例子，一个用于相关的东西

编辑：

多个哈希函数用于最小化误报。希望是在所有k-hash函数之间，每个值在位数组中与其他所有可能值相比都具有唯一的签名。然而，假阳性确实存在，但可以将其最小化到可管理的水平。使用此技术，可以独立地对元素大小进行散列。搜索它们时，使用每个哈希函数并进行检查，以确保它们的位值均为1

与人类基因组相比，元素大小的增加会显著增加哈希表的大小（表大小为4*4k）。这是假设您使用2位/字母对元素进行编码。

来自：

布卢姆过滤器有一个强大的空间 与其他数据结构相比的优势 用于表示集合，例如 自平衡二叉搜索树， 尝试、哈希表或简单数组 或条目的链接列表。最 其中至少需要存储 数据项本身，它可以 需要从一个小数字到任何地方 对于小整数，将位转换为 任意位数，如 字符串（尝试）是一个例外，因为 它们可以共享存储空间 前缀相等的元素）。联系 结构会产生额外的线性 指针的空间开销。盛开 具有1%错误和最佳 另一方面，k的值， 每分钟只需要大约9.6位 元素-不考虑元素的大小 元素。这个优势来了 部分是因为它的紧凑性，遗传的 来自数组，部分来自它的 概率性质。如果1%的错误 阳性率似乎太高了 每次我们为每个元素添加大约4.8位 我们把它减少了十倍

我很清楚

bloom过滤器本身不存储元素，这是关键点。您不使用bloom过滤器来测试元素是否存在，而是使用它来测试它是否确实存在，因为它保证不会出现假阴性。这使您不必为集合中不存在的元素（例如查找它们的磁盘IO）做额外的工作

所有这些都比哈希表（对于大型数据集，它可能部分位于磁盘上）占用的空间要少得多。尽管可以将bloom过滤器与哈希表等结构结合使用，但一旦确定元素有可能存在，就可以使用bloom过滤器

因此，一个示例使用模式可能是：

磁盘上有大量数据--您可以决定需要的错误范围（例如1%），它规定了m的值。然后确定最佳k（根据文中给出的公式）。您可以从此磁盘绑定数据填充筛选器一次

现在你有了RAM中的过滤器。当您需要处理某些元素时，您可以查询您的过滤器，以查看它是否有可能存在于您的数据集中。如果没有，就不会做额外的工作。无磁盘读取等（如果是散列或树等，则必须执行此操作）

---

否则，如果过滤器说“是的，它在那里”，则有1%的可能性是错误的，因此您需要做必要的工作来找出错误。99%的时候，它真的会在那里，所以这项工作不是白费力气。

如果Bloom筛选器返回某个项目是集合的成员，则有一定的误报概率。如果只使用一个散列函数来表示集合中的成员身份，则误报概率将高于使用多个散列函数。

Alex对此进行了很好的解释。对于那些还没有完全掌握的人，希望这个例子能帮助你理解：

假设我在Chrome团队中为Google工作，我想在浏览器中添加一个功能，通知用户输入的url是否是恶意url。所以我有一个大约一百万个恶意URL的数据集，这个文件的大小大约是25MB。由于大小相当大（与浏览器本身的大小相比很大），我将这些数据存储在远程服务器上

案例1：我将哈希函数与哈希表一起使用。我决定使用一个高效的哈希函数，并通过哈希函数运行所有100万个URL以获得哈希键。然后，我制作一个哈希表（数组），其中哈希键将为我提供放置该URL的索引。现在，一旦我散列并填充了散列表，我就会检查它的大小。我已将所有100万个URL及其键存储在哈希表中。因此，大小至少为25MB。此哈希表由于其大小将存储在远程服务器上。当用户出现并在地址栏中输入URL时，我需要检查它是否是恶意的。因此，我通过散列函数运行URL（浏览器本身可以做到这一点），并获得该URL的散列键。现在，我必须使用该散列键向远程服务器发出请求，以检查具有该特定键的散列表中的特定URL是否与用户输入的内容相同。如果是，则是恶意的，如果不是，则不是恶意的。因此，每次用户输入URL时，都必须向远程服务器发出请求，以检查它是否是恶意URL。这会花费很多时间，因此会使我的浏览器速度变慢<