[C++]哈希应用之位图&布隆过滤器
🪐🪐🪐欢迎来到程序员餐厅💫💫💫
主厨:邪王真眼
主厨的主页:Chef‘s blog
所属专栏:c++大冒险
总有光环在陨落,总有新星在闪烁
前言:
我们之前学习了哈希表,哈希表通过映射关系,实现了O(1)的复杂度来查找数据,哈希在实践中是一个非常重要的思想,今天要学习的就是哈希思想的两大应用:位图与布隆过滤器
一、 位图
1.1 面试题【腾讯】
给 40 亿个不重复的无符号整数,没排过序。给一个无符号整数,如何快速判断一个数是否在 这40亿个数中。 大家一看到这道题想到的应该是以下方法:- 1. 直接遍历,时间复杂度O(N)
- 2. 先排序(O(NlogN)),在利用二分查找: logN
- 3.二叉搜索树、map、set、哈希.......
但是不要忽略了一个问题:40亿个整型,存入内存就是大约16G,而且还会有别的内存开销(例如红黑树),所以上述方法是不现实的。
我们仔细想想,对于这道题目而言,一个数据只有两种状态:在/不在。如果我们想要标识两种状态,其实只需要一个比特位就够了,0表示不存在,1表示存在。通过哈希的映射思想,我们可以把每一个数据映射到一个比特位中,这就是位图的概念。
在STL库中,已经为我们提供了位图bitset,我先简单讲解一下bitset的接口,再给大家实现一个位图。
1.2位图的实现
1.2.1成员变量
template class bitset { public: protected: vector _bits; };
注意事项:
- 注意这个非类型模板参数N,他其代表位图中要开多少个比特位,而不是字节!!!
1.2.3构造函数
思路:
我们先开一个数据类型是int的vector对象,一个int包含32比特位,接着直接对把数据的存在/不存在两种状态存放在对应比特位中,c++的除法是向下取整,所以要开(N/32+1)个int
BitSet() { _bits.resize(N /32 + 1); }
1.2.4set:
作用:把目标比特位的值改为1
现在传过来一个整数i,我们怎么找到它所对应的比特为呢?其实思路类似于一维数组转二维数组
i/32得到的是该比特位位于vector对象的的几个元素中,i%32得到的是该比特位处于当前元素的第几个比特位中。size_t i = x / 32; // vector的第i个元素 size_t j = x % 32; // 第i个元素的第j个比特位
但是c++并没有直接修改目标比特位的函数,所以我们要还要思考怎么实现这个功能
这就要用到位移操作符了
我们要把整数i第j个比特位修改为1,可以先把1左移j位得到整数y,在把i与y按位或,注意我们比特位的计算是从0开始的,即一个整型比特位是0到31.
1000100 //待修改数据,把第3位修改为1 00000001 //数字1 00001000 //数字1左移3位 ------------ 10000100 00001000 //按位或 ------------ 10001100//得到结果
set函数接口如下:
void set(size_t x) { assert(x 3)); else//奇数位字符 hash ^= (~((hash > 5))); } return hash; } }; struct HashFuncDJB { size_t operator()(const string& s) { register size_t hash = 5381; for (auto ch : s) hash = hash * 33 ^ ch; return hash; } };
- 为什么是设计的vector传参是5*N
知乎有大佬经过计算得到如下图这样的结论:
在选择布隆过滤器的长度和哈希函数的数量时应满足下图公式
知乎文章在此:布隆过滤器详解
与此我们直到当选择了三个哈希函数时,布隆过滤器的长度应是(N*3/ln 2),向上取整得5
因此有bitset _bs;
2.3.2插入set
想要插入一个 数据,其实就是通过三个哈希函数计算出三个映射位置,并把它们设置为1。
void set(const K& key) { size_t hash1=(HF1()(key))%(5*N); size_t hash2 = (HF2()(key)) % (5 * N); size_t hash3 = (HF3()(key)) % (5 * N); _bs.set(hash1); _bs.set(hash2); _bs.set(hash3); }
2.3.3查找test
查找方法: 分别计算每个哈希值对应的比特位置存储的是否为零,只要有一个为零,代表该元素一定不在哈希表中,否则 可能 在哈希表中。 注意: 布隆过滤器如果说某个元素不存在,该元素一定不存在,如果说元素存在,则该元素可能存在可能不存在,因为哈希查找时存在一定的误判。 比如: 在布隆过滤器中查找"abc"时,3个哈希函数计算的哈希值为:1、3、7,刚好和其他元素的比特位重叠,此时布隆过滤器告诉该元素存在,但实该元素是不存在的。bool test(const& K key) { size_t hash1 = (HF1()(key)) % (5 * N); size_t hash2 = (HF2()(key)) % (5 * N); size_t hash3 = (HF3()(key)) % (5 * N); return _bs.test(hash1)&&_bs.test(hash2)&&_bs.test(hash3); }
2.3.4删除reset
布隆过滤器不支持删除操作: 看下图 如果我们删除了C语言,那它的三个比特位就会被置为0,那在查找c++就会显示找不到2.4 布隆过滤器优点
- 1. 增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数,一般比较小),与数据量大小无关
- 2. 哈希函数相互之间没有关系,方便硬件并行运算
- 3. 布隆过滤器不需要存储元素本身,在某些对保密要求比较严格的场合有很大优势
- 4. 在能够承受一定的误判时,布隆过滤器比其他数据结构有这很大的空间优势
- 5. 数据量很大时,布隆过滤器可以表示全集,其他数据结构不能
- 6. 使用同一组散列函数的布隆过滤器可以进行交、并、差运算
2.5 布隆过滤器缺陷
- 1. 有误判率,即存在假阳性(False Position),即不能准确判断元素是否在集合中(补救方法:再建立一个白名单,存储可能会误判的数据)
- 2. 不能获取元素本身
- 3. 一般情况下不能从布隆过滤器中删除元素
- 4. 如果采用计数方式删除,可能会存在计数回绕问题
2.6布隆过滤器使用场景:
小明买了手机,去注册手机号,选了一个号码
1.把号码输入布隆过滤器,接受返回值
2.返回值是假,说明该号码没被用过
3.返回值是真,说明该号码可能用过,则再去数据库中寻找看是否用过
这么看来,我们直接节省了一大半的时间(较于直接去数据库看)🥰创作不易,你的支持对我最大的鼓励🥰
🪐~ 点赞收藏+关注 ~🪐
- 为什么是设计的vector传参是5*N
- 注意这个非类型模板参数N,他其代表位图中要开多少个比特位,而不是字节!!!