深入理解PHP+Redis实现布隆过滤器（亿级大数据处理和黑客攻防必备）

2024-04-08 23:20 由小松聊PHP进阶发表于 #后端开发

布隆过滤器

极简概括

英文名称Bloom Filter，用于判断一个元素是否在一个大数据集合中，如果检测到存在则有可能存在，如果不存在则一定不存在。
Redis官网对于布隆过滤器的说明：https://redis.io/docs/data-types/probabilistic/bloom-filter/

使用场景

防止缓存穿透：用于快速判断某个商品数据是否存在于缓存中，如果存在，则执行下游流程，如果不存在，在此处直接拦截，避免下游流程引发的算力消耗，很适合对抗黑客刷接口的行为。
网络爬虫：在爬取网页时，可以用布隆过滤器来判断一个 URL 是否已经被访问过，从而避免重复爬取相同的页面。
拼写检查器：用于快速检查一个单词是否是正确拼写的，减少不必要的词典查询。
用户名防重：注册或者更改某些应用的用户名时，提示用户名已存在，再超大数据量的情况下，可以用布隆过滤器替代MySQL去抗。
整体来说，适用于读多写少的场景，如果是写多读少，不推荐用布隆过滤器。

优点

节省空间：用比特位来存储，比用一个字节存储0和1更加节省空间。
插入查询迅速：布隆过滤器内部使用位数组（bit array）来表示数据存储状态，这种结构使得在查询时只需对位数组进行一系列简单的位操作，而不需要遍历。
保密性很好：Redis BitMap里存储的都是0和1，就算黑客拿到了数据，缺少代码逻辑，也根本不知道是干啥的。

缺点

不支持删除：强制没问题，不支持删除是为了防止哈希碰撞引起的误删问题。一个哈希值，可能是多个源数据的转换后的结果。
误判：本来一个数据不存在与这个集合当中，但是它判断数据时存在这个集合当中，这是由哈希碰撞产生的，这种无法避免，只能减少误判的概率。所以布隆过滤器有个特点：不存在一定不存在，存在却不一定存在。
避免：可以添加多个不同的的hash函数算法和bit位的长度，从而降低误判的发生，会降低性能，这需要在性能和误判之间做好权衡。

时间复杂度

布隆过滤器的查询时间复杂度是常数（很快）级别的，通常记为 O(k)，其中 k 是哈希函数的个数，也是布隆过滤器中每个元素对应的位数组位置数量。

原理

存储：判断一个元素是否在一个大数据集合中，存在就是1不存在就是0，这个集合可以由一个二进制向量（向量 === 矢量，有大小有方向）表示（二进制向量，可以类比成一个数组，但是每个单位只能存储1比特的数据），用Redis的BitMap结构存储最合适。
哈希转换：一般会有多个哈希算法，为了减少哈希冲突的概率。
长度选择：布隆过滤器哈希位的大小，要看业务场景所使用数据的上限。
判断规则：例如4条数据存储，有3个哈希算法，也就占用12个bit。判断任意一个数据是否存在，也就在bitmap上判断3个值，如果这3个值全部都在，则表示可能存在这个数据，如果小于3，则表示数据不存在。

用PHP写Redis布隆过滤器扩展

我用CRC32算法作为哈希运算写了一个，存储是用Redis的BitMap，算法数量设置到3，误差率达到了25.69%，设置到10，误差率仍有1.08%，性能降下来了，难怪网上有人评论不要手动实现布隆过滤器。受一些算法限制，写不了太好的方案。
同时在网上寻找更好的方案，发现网上的一些哈希算法报错，所以也不用。
寻找composer包，目前也没有找到太好的视线布隆过滤器的方案，不是不支持Redis，就是版本太旧，不支持PHP8。
所以需要考虑其它方向的解决方案。

/**
 * @ 封装一个布隆过滤器类，切勿商用，否则要出事
 */
class BloomFilter {
    //redis对象
    private $redis;
    //布隆过滤器名称
    private $bloom_filter_name;
    //比特数量
    private $bit_num;
    //函数数量
    private $func_num;


    /**
     * @function 初始化成员属性
     * @param    $redis             object redis对象
     * @param    $bloom_filter_name string 布隆过滤器名称
     * @param    $bit_num           int    比特数量
     * @param    $func_num          int    哈希函数数量
     * @return   void
     */
    public function __construct($redis, $bloom_filter_name, $bit_num, $func_num) {
        $this->redis             = $redis;
        $this->bloom_filter_name = $bloom_filter_name;
        $this->bit_num           = $bit_num;
        $this->func_num          = $func_num;
    }


    /**
     * @function 向布隆过滤器中添加数据
     * @param    $val string 待添加的值
     * @return   array
     */
    public function add($val) {
        //开启管道，方便批量操作
        $pipe = $this->redis->multi();

        //模拟多个哈希算法
        for ($i = 0; $i < $this->func_num; $i++) {
            $hash = $this->hash($val . '_' . $i);
            $pipe->setbit($this->bloom_filter_name, $hash, 1);
        }

        return $pipe->exec();
    }


    /**
     * @function 布隆过滤器判断某个值是否存在
     * @param    $val string 待添加的值
     * @return   bool
     */
    public function exists($val) {
        //开启管道，方便批量操作
        $pipe = $this->redis->multi();

        for ($i = 0; $i < $this->func_num; $i++) {
            $hash = $this->hash($val . '_' . $i);
            $pipe->getbit($this->bloom_filter_name, $hash);
        }

        //批处理
        $results = $pipe->exec();
        foreach ($results as $bit) {
            if ($bit == 0) {
                return false;
            }
        }

        return true;
    }


    /**
     * @function 通过一些CRC32哈希算法，获取指定值的BitMap存储位置
     * @param    $string string 待计算哈希的数据
     * @return   int
     */
    private function hash($string) {
        //因为crc32算法获取的是9~10位数字，方便取模
        return crc32($string) % $this->bit_num;
    }
}

//----------------------------------------------------------------------------------------------------
$redis = new Redis();
$redis->connect('127.0.0.1', 6379);

$bloom_filter = new BloomFilter($redis, "test_key",10000, 3);

$bloom_filter->add('xyz');

var_dump($bloom_filter->exists('xyz')); //true
var_dump($bloom_filter->exists('abc')); //false

用C语言实现Redis布隆过滤器扩展（服务端）

这种方式不需要考虑对Redis位图的操作，而是直接调用Redis Bloom Filter的功能，所以实现思路与上文说明有所不同。

Redis扩展安装官方扩展：https://redis.io/docs/data-types/probabilistic/configuration
Redis Bloom Filter地址：https://github.com/RedisBloom/RedisBloom

目前的最新版本是2.6.12，但是编译报错，用2.2.18就好了
wget https://github.com/RedisBloom/RedisBloom/archive/refs/tags/v2.2.18.tar.gz
tar zxvf v2.2.18.tar.gz
cd RedisBloom-2.2.18
make
此时会生成一个redisbloom.so
mkdir /usr/local/redis/ext/
mv redisbloom.so /usr/local/redis/ext/redis_bloom_filter.so
vim /usr/local/redis/etc/redis.conf中添加如下一行
loadmodule /usr/local/redis/ext/redis_bloom_filter.so
保存
重启Redis，我这里设置了Redis服务
service redis restart
查看是否启动
> ps aux | grep redis
root      14504  0.7  0.6  52432  6580 ?        Ssl  23:17   0:00 /usr/local/redis/bin/redis-server 0.0.0.0:6379
root      14549  0.0  0.1 112828   996 pts/0    S+   23:17   0:00 grep --color=auto redis

进入redis命令行，使用命令查看扩展是否安装成功
redis-cli
bf.exists bloom_filter_key test_val
返回0表示安装成功

常见指令：

指令	含义	示例	备注
BF.RESERVE	配置多少数量下有多大误差，误差越小性能越差	BF.RESERVE 布名 0.001 1000000	100万条数据允许0.1%的误差
BF.ADD	向某个布隆过滤器中添加数据	BF.ADD 布名值1	返回1证明插入成功
BF.EXISTS	判断某个布隆过滤是否存在一个值	BF.EXISTS 布名值1	返回1说明存在，返回0说明不存在
BF.MADD	向某个布隆过滤器中插入多个值	BF.MADD 布名值2 值3 值4	返回 1) (integer) 1 2) (integer) 1 3) (integer) 1
BF.MEXISTS	判断某个布隆过滤是否存在多个值	BF.MEXISTS 布名值2 值3 值5	返回 1) (integer) 1 2) (integer) 1 3) (integer) 0

注意：使用这个插件，值是MBbloom--类型的，而不是位图或者其它类型。
自己封装了一个类，如下：

class BloomFilter {
    //存放redis对象
    private $redis;


    /**
     * @function 初始化Redis对象
     * @param    $bloom_filter_name string 布隆过滤器名称
     * @param    $num               int 要存储多少数据
     * @param    $error_percentage  float 误差百分比
     * @return   void
     */
    public function __construct($bloom_filter_name, $num, $error_percentage) {
        $redis = new Redis();
        $redis->connect('192.168.0.180', 6379);
        $redis->rawCommand('BF.RESERVE', $bloom_filter_name, bcdiv($error_percentage, 100, 8), $num);
        $this->redis = $redis;
    }


    /**
     * @function 向布隆过滤器中添加数据
     * @param    $bloom_filter_name  string 布隆过滤器名称
     * @param    $val                string 要添加的数据
     * @return   int
     */
    public function add($bloom_filter_name, $val) {
        return $this->redis->rawCommand('BF.ADD', $bloom_filter_name, $val);
    }


    /**
     * @function 布隆过滤器判断指定的值是否存在
     * @param    $bloom_filter_name  string 布隆过滤器名称
     * @param    $val                string 要添加的数据
     * @return   int
     */
    public function exists($bloom_filter_name, $val) {
        return $this->redis->rawCommand('BF.EXISTS', $bloom_filter_name, $val);
    }


    /**
     * @function 向布隆过滤器中批量添加数据
     * @param    $bloom_filter_name  string 布隆过滤器名称
     * @param    $vals               array  要添加的数据
     * @return   int
     */
    public function mAdd($bloom_filter_name, $vals) {
        $args = array_merge(['BF.MADD'], [$bloom_filter_name], $vals);
        return $this->redis->rawCommand(...$args);
    }


    /**
     * @function 布隆过滤器批量判断指定的值是否存在
     * @param    $bloom_filter_name  string 布隆过滤器名称
     * @param    $vals               array  要添加的数据
     * @return   array
     */
    public function mExists($bloom_filter_name, $vals) {
        $args = array_merge(['BF.MEXISTS'], [$bloom_filter_name], $vals);
        return $this->redis->rawCommand(...$args);
    }
}

//调用-----------------------------------
$bloom_filter = new BloomFilter('key',100000, 0.01);

//1 重复插入返回0
var_dump($bloom_filter->add('key', 'v100'));
//[1, 1, 1]
var_dump($bloom_filter->mAdd('key', ['v2', 'v3', 'v4']));
//1
var_dump($bloom_filter->exists('key', 'v100'));
//[1, 1, 0]
var_dump($bloom_filter->mExists('key', ['v2', 'v3', 'v5']));

Redis布隆过滤器性能与误差实测

看起来这个性能很高，足以应对99%的场景了，使用MySQL测试一亿条数据中定值查找1条数据，需要278.71秒的搜索时间。
对于与布隆过滤器，在一亿条数据下进行一亿次查找：

动作	数量	配置误差值（百分比）	实测误差数量	消耗时间（秒）
mAdd，批量写入操作	100000000	0.01%	/	357.068
mExists，批量读取操作	100000000	0.01%	5103	306.646

批量写入示例代码：
$bloom_filter = new BloomFilter('test_key',100000000, 0.01);

$start = microtime(true);
for($i = 0; $i < 100000000; $i++) {
    $arr[] = $i;
    if(count($arr) > 100000) {
        $bloom_filter->mAdd('test_key', $arr);
        $arr = [];
    }
}
echo microtime(true) - $start;


批量读取示例代码：
$bloom_filter = new BloomFilter('test_key',100000000, 0.01);

$arr = [];
$int = 0;

$start = microtime(true);
for($i = 0; $i < 100000000; $i++) {
    $arr[] = uniqid();
    if(count($arr) > 100000) {
        $exists = $bloom_filter->mExists('test_key', $arr);
        $arr = [];
        foreach($exists as $v) {
            if($v) {
                $int++;
            }
        }
    }
}
echo microtime(true) - $start;

echo "--";
echo $int;

常见问题

为什么布隆过滤器不用遍历每条数据

在海量的数据下遍历会很耗时，因此不能用遍历，寻址过程可以理解为PHP的数组利用下标方式去找到对应的值，查看是0还是1，相当于于array[key] = 1，PHP数组的底层实现是哈希表，通过数组的下标，可以直接找到对应的内存地址，所以时间复杂度是O(1)，而不是O(n)。

使用布隆过滤器防止缓存穿透

缓存穿透：常见于抢购场景的黄牛，他们为了牟利，利用脚本不断拼接新参数去频繁请求接口。从服务器角度来说，如果Redis内存不存在，就会往数据库中查，大量查询任务直接穿透了Redis，压力打到了数据库，就会给数据库带来很大的压力。
就有3种解决方案：
1. 通过异常行为做拦截：抢购一般会让用户登录，让服务器知道谁在抢购，如果单位时间内Redis被穿透的次数过多，直接封禁。思路：上游添加Redis::get(get flash_sale . 用户id) > 10的判断，如果要查数据库，redis就Redis::incr(flash_sale . 用户id)，直到超过指定次数，然后上游直接拦截。
2. 如果没有查到数据，也在缓存中存储，值为1即可，但是这有2个弊端，1是缓存过后可能用不上，2是大量的缓存，也会增加存储的负担。
3. 使用布隆过滤器：上文有讲，把他放到业务逻辑的上游做判断，如果过滤器中存在，则走下游流程，如果不存在，则直接阻断其后续流程。

如何减少布隆过滤器误判的概率

增加哈希函数的数量：1个哈希函数算法可能会冲突，多个与源数据进行哈希算法，就能减少冲突的发生。
增加布隆过滤器的长度：例如10个比特槽位，存1000条数据，大概率有冲突的情况，但是将长度增加到2000，这就能减少冲突概率的发生。

抢购场景商品被删除了，如何同步到布隆过滤器

先看预设场景，看看要不要做处理：商品被删除，MySQL无数据，布隆过滤器有数据。

如果redis缓存无商品数据：
通过布隆过滤器->缓存无数据->查数据库->无数据->返回商品信息不存在。
如果redis缓存仍旧有商品信息：
通过布隆过滤器->缓存有->其它下单流程。

此时会发现，如果redis缓存仍旧有商品信息，还会有问题，解决方案：

可以异步重建布隆过滤器：这和定期刷新缓存一个道理，防止缓存的长期不一致。
维护一个计数布隆过滤器：表示该位置被几个数据进行了引用，如果是1，直接删了就行。这个可以用hash去实现hIncrBy(bloom_filter_flash_sale, 取模后的数字哈希位置, 1)，如果大于1，可以去查询数据库，做个兜底的判断策略。

50亿量级的URL集合，如何再4G的内存中判断其中一个url是否在这个集合当中

这个面试题老生常谈，所以在这里着重提一嘴。
会出现在搜索引擎的爬虫判断中，爬虫爬过了，就不在重复爬取了，
可以用布隆过滤器。
4G = 34359738368Bit，340亿的比特，如果设置3种哈希算法，也就意味着占用150亿个比特位，还是能存的下。

布隆过滤器为什么用哈希函数而不是源数据

1.节省空间，2.增加查询速度。
源数据可能偏大，通过哈希函数转换后，结果成数字，这个数字就是比特数组的下标。布隆过滤器可以近似的理解为维护的是一个所有值都为数字的PHP索引数组，但是数组的占用单位是字节，而布隆过滤器可以使用更小的比特，充分利用设备存储资源。

为什么不推荐自定义写布隆过滤器

算法：普通开发者缺少算法思维，做出来的布隆过滤器概率不可控，或者容易冲突。为了防止哈希函数的值转化为数字后位数过长（例如md5(1) 为c4ca4238a0b923820dcc509a6f75849b，转10进制是261578874264819908609102035485573088411），需要对数据长度进行取模，不取模还好，取模后极大减少了布隆过滤器的长度。例如10000条数据，设定3种哈希算法，设置3万个比特位，取模后的值大多小于3万，所以冲突的概率增加了很多。
理解深度：可能一部分开发者不知道Redis位图，或者为什么用哈希函数，还挺停留在用Redis string做判断的基础上，虽然能实现，但是占用空间有很大差距。

补充

哈希运算

极简概括：哈希运算是通过一些算法，将任意长度的任意格式的二进制数据转换为固定长度数据的过程。
算法举例：sha1、sha256、sha512、md5。
算法特点：
- 结果确定：给定相同的输入，哈希函数会产生相同的输出。
- 长度确定：无论输入的大小如何，输出的长度是固定的。
- 计算迅速：好的哈希函数可在合理的时间内对输入进行哈希计算。
- 不可逆向：给一个哈希过后的值，由于初始数据信息丢失，无法通过这个值还原初始的信息。彩虹表并不是还原，而是对比。
- 修改敏感：修改数据的任何一个地方，就算很小的改动，也会导致算出来的哈希值完全不同。

哈希碰撞

不同的输入数据，经过哈希计算后得到相同的输出值。
例如32位输出的md5算法，一共有16³² ≈ 3.4 ×10³⁸种值，但是宇宙空间里的信息量却无穷的多，输入数据无穷多但输出数据有限，这就导致哈希碰撞的产生。
算法生成的信息越长，碰撞概率越低，这是个概率问题，不是一定发生或一定不发生。

热门相关：我向斐少撒个娇无敌大佬要出世血战天下驭房我不止有问心术福慧双全