布隆過濾器（bloom filter）是2023年由布隆提出的。它實際上是乙個很長的二進位制向量(位圖)和一系列隨機對映函式（雜湊函式）。需要判斷某個資料是否在集合中，同時記憶體不夠且檢索速度慢的情況下，不妨考慮下布隆過濾器，但業務上要可以忍受判斷失誤率。布隆過濾器可以用於檢索乙個元素是否在乙個集合中。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，缺點是有一定的誤識別率和刪除困難。
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。
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（bitmap，這個陣列中每乙個位置只占有1個bit，而每個bit只有0和1兩種狀態）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：如果這些點有任何乙個0，則被檢元素一定不在；如果都是1，則被檢元素很可能在。(由於當輸入物件過多，而位陣列也就是bitmap過小，則會出現大部分為黑的情況，那樣就容易發生誤判！因此使用布隆過濾器是需要容忍錯誤率的。)
通過上面的描述，我們可以知道，如果輸入量過大，而bitarray空間的大小又很小，那麼誤判率就會上公升。那麼bitarray空間大小怎麼確定呢？可以根據以下推導公式計算
假設輸入物件個數為n，bitmap大小（也就是布隆過濾器大小）為m，所容忍的誤判率p和雜湊函式的個數k。計算公式如下：（小數向上取整）
m =−
n∗ln
p(ln
2)
2m =- \frac^2}
m=−(ln
2)2n
∗lnpk=
ln2∗
mn
=0.7∗m
nk=ln2*\frac=0.7*\frac
k=ln2∗
nm=
0.7∗
nmp=(
1−e−
nkm)
kp=(1-e^})^
p=(1−e
−mnk
)k
注意：由於我們計算的m和k可能是小數，那麼需要經過向上取整，此時需要重新計算誤判率p！參考：
布隆過濾器
布隆過濾器 bloom filter 是1970年由布隆提出的。它實際上是乙個很長的二進位制向量和一系列隨機對映函式。布隆過濾器可以用於檢索乙個元素是否在乙個集合中。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，缺點是有一定的誤識別率和刪除困難。如果想要判斷乙個元素是不是在乙個集合裡，一般想到...
布隆過濾器
布隆過濾器的概念 如果想要判斷乙個元素是不是在乙個集合裡，一般想到的是將所有元素儲存起來，然後通過比較確定。鍊錶，樹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，檢索速度也越來越慢 o n o logn 不過世界上還有一種叫作雜湊表 又叫 雜湊表，hash tabl...
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...