簡易布隆過濾器

如果想判斷乙個元素是不是在乙個集合裡，一般想到的是將集合中所有元素儲存起來，然後通過比較確定。鍊錶、樹、雜湊表（又叫雜湊表，hash table）等等資料結構都是這種思路。但是隨著集合中元素的增加，我們需要的儲存空間越來越大。同時檢索速度也越來越慢。

bloom filter 是一種空間效率很高的隨機資料結構，bloom filter 可以看做是對 bit-map 的擴充套件, 它的原理是：

當乙個元素被加入集合時，通過k個hash 函式將這個元素對映成乙個位陣列（bit array）中的 k 個點，把它們置為1。檢索時，我們只要看看這些點是不是都是 1 就（大約）知道集合中有沒有它了：

它的優點是空間效率和查詢時間都遠遠超過一般的演算法，布隆過濾器儲存空間和插入 / 查詢時間都是常數o(k)。另外, 雜湊函式相互之間沒有關係，方便由硬體並行實現。布隆過濾器不需要儲存元素本身，在某些對保密要求非常嚴格的場合有優勢。

但是布隆過濾器的缺點和優點一樣明顯。誤算率是其中之一。隨著存入的元素數量增加，誤算率隨之增加。但是如果元素數量太少，則使用雜湊表足矣。

(誤判補救方法是：再建立乙個小的白名單，儲存那些可能被誤判的資訊。)

另外，一般情況下不能從布隆過濾器中刪除元素. 我們很容易想到把位陣列變成整數陣列，每插入乙個元素相應的計數器加 1, 這樣刪除元素時將計數器減掉就可以了。然而要保證安全地刪除元素並非如此簡單。首先我們必須保證刪除的元素的確在布隆過濾器裡面. 這一點單憑這個過濾器是無法保證的。另外計數器迴繞也會造成問題

四、實現如下：

#pragma once
#include#includeusing namespace std;
class bitmap
void set(size_t num)
;struct hashfunc1
size_t operator()(string s)
return hash%13;
}};struct hashfunc2
size_t operator()(string s)
return hash%65;
}};struct hashfunc3
size_t operator()(string s)
return hash%131;
}};struct hashfunc4
size_t operator()(string s)
return hash%98;
}};struct hashfunc5
size_t operator()(string s)
return hash%56;
}};template//仿函式，過載圓括號函式構成仿函式
class bloom
void set(string s)
bool find(string s)
if(_bitmap.find(_hash2(s)%_capacity)==0)
if(_bitmap.find(_hash3(s)%_capacity)==0)
if(_bitmap.find(_hash4(s)%_capacity)==0)
if(_bitmap.find(_hash5(s)%_capacity)==0)
}private:
bitmap _bitmap;
size_t _capacity;
hashfunc1 _hash1;
hashfunc1 _hash2;
hashfunc1 _hash3;
hashfunc1 _hash4;
hashfunc1 _hash5;
};

#include"bloom.h"
int main()
{	bloomb(-1);
b.set("we are young");
b.set("i love you");
b.set("always");
cout<

簡易布隆過濾器

布隆過濾器

布隆過濾器

布隆過濾器

相關推薦