Hash Bloomfilter and Cassandra=为什么要使用，为什么要多次散列？

我读到：

我的问题是:

1.）Cassandra只使用bloom过滤器查找最可能包含键的SST（排序字符串表）是否正确？因为可能有几个SST，卡桑德拉不知道钥匙可能在哪个SST中？因此，为了加快速度，所有SST中都使用了过滤器。这是正确的吗？（我试图了解卡桑德拉是如何工作的…）

2.）为什么（如上面链接中所述）对密钥进行多次散列？需要使用不同的散列函数对密钥进行多次散列以获得更好的位“随机分布”是正确的吗？如果这是错误的，为什么密钥需要散列多次？这会占用CPU周期吗？如果我有几个散列函数的输出，那么对结果的处理是AND还是XORded。这有什么区别吗

3.）使用MD5与SHA1（根据文章，SHA1是随机分布的）相比，“使用Bloomfilter产生的假阳性”差异有多大？为什么MD5不是随机分布的

非常感谢！！ Jens是的，请看卡桑德拉的维基

Cassandra在执行密钥查找时使用bloom筛选器来保存IO：每个SSTable都有一个与之关联的bloom筛选器，Cassandra在进行任何磁盘查找之前都会对其进行检查，使得对不存在的密钥的查询几乎是免费的

这些数据可以分布在几个SSTable中。如果没有bloom过滤器，每次读取密钥都必须读取每个sstable，这是非常昂贵的。通过使用bloom过滤器，cassandra几乎总是只需查找包含该键数据的sstables表

2） 可能会让您更好地了解bloom过滤器。散列k次，以在大小为m的数组中给出独立的位置。例如，如果A和B是集合中的元素，且k=2，则散列函数为md5和sha1，m=16，则可以执行以下操作：

md5(A) % m = 7
sha1(A) % m = 12

md5(B)  % m = 15
sha1(B)  % m = 12

这就给出了m[7]，m[12]和m[15]对于过滤器是真的

要查看C是否在集合中，您需要

md5(C)  % m = 8
sha1(C) % m = 12

因为m[8]为false，所以您知道C不在集合中，但是，对于D

md5(D)  % m = 7
sha1(D)  % m = 15

m[7]和m[15]都为真，但D不在集合中，因此D为假阳性

这确实会消耗cpu周期，但您正在用cpu周期换取减少的io，这对cassandra来说是有意义的

---

3） 这篇文章没有提到md5。md5是随机分布的，我猜bloom过滤器的md5和sha-1之间的差异不大。

作为sbridges回答的第三点的补充

MD5和SHA-1是随机分布的，但都是加密哈希函数。在实现任何类型的bloomfilter时，性能中唯一的瓶颈是散列所花费的时间。这就是为什么使用加密函数会降低应用程序的性能

建议使用非加密散列函数，如杂音散列，建议构造和散列函数，如下所示：

g(x) = h1(x) + i * h2(x) 

其中g（x）是新的散列函数，h1和h2是标准散列函数，i是从0到k的迭代次数

通过使用此技术，两个哈希函数可以达到相同的性能（假设k>2）。

非常感谢！！！（我读了一篇关于bloomfilters的文章，文章以我的母语写成，文章似乎把一些步骤放在了一起，以便于解释。多亏了你的解释和链接，我现在真的理解了它是如何与位置一起工作的。非常感谢！