布隆过滤器应用——解决Redis缓存穿透问题


1. 布隆过滤器

  • 简要介绍布隆过滤器的概念和特点,详细知识请参考几篇参考文献或其它文章。

1.1 概念

简单点说,布隆过滤器本质是一个位数组

  • 当一个元素加入过滤器时,使用多个hash函数对元素求值,并将位数组中对应位置为1;
  • 判断一个元素是否在过滤器中时,使用多个函数对元素求值,并判断位数组对应位置是否为1。如果都为1,认为元素在过滤器中;否则认为元素不在过滤器中。

1.2 特点

  • 布隆过滤器判断元素存在,可能存在误判;但判断元素不存在,必然不存在。
  • 布隆过滤器通过多个hash函数来降低冲突,增加hash函数数目可以降低冲突率
  • 当过滤器中元素达到一定数目时,增加hash函数不能有效降低冲突率。
  • 使用位数组,占用数据空间小
  • 删除元素困难。

2

3. 布隆过滤器解决缓存穿透问题

3.1 为什么使用布隆过滤器来解决缓存穿透问题

(1)布隆过滤器与redis set结果对比

为什么不将所有value都存储在redis的set中,在请求数据库之前先访问查询value是否存在?主要有以下几点原因:

  • 缓存穿透问题是因为查询了一个数据库中没有的值,需要能够在请求数据库之前判断数据库中是否存在该值
  • 由于redis用来作缓存,本身不可能存储所有的数据(因为内存是昂贵的,就算有32G内存,和T级的存储相比也显得渺小),只能用来存储热点数据。但是又需要有一个速度很快的内存结构来存储所有值,显然没法使用常规的map和set(空间开销巨大)
  • 布隆过滤器使用位数组,占用空间极小
  • 布隆过滤器以较低的误判率换取了大量的空间。(存在较低的假阳性,会使得向数据库请求极少的不存在的值,带来较少的时间开销)

布隆过滤器与set空间消耗对比:



(2)布隆过滤器与md5等单向映射算法对比

在value占用空间较大大时(比如网址),还可以将所有的value通过算法单向映射成一个值(比如使用md5),这样只存储映射后的值,而不需要存储value,从而达到节约空间的目的。

布隆过滤器与单向映射后取值空间消耗对比

假设仍有100亿条URL,那么大概需要一个34位(4.25b)的value来表示才能保证较低的冲突率,仍需要大约42.5GB的空间大小,对应布隆过滤器方案如(1)所示只需要25GB

2^34=171 7986 9184

(3)几种方案对比可参考:



3.2 如何使用布隆过滤器解决缓存穿透问题

3.2.1 基本步骤

应用布隆过滤器解决Redis缓存穿透问题主要有以下步骤:

  • (1)在添加数据库记录时,向过滤器中增加元素。
  • (2)收到请求时,先查询redis缓存,缓存中没有查询布隆过滤器;布隆过滤器中没有直接返回,有查询数据库;
  • (3)暂时还不清楚需不需要对过滤器中元素进行删除,以及如何删除,是否可以考虑定时对过滤器进行清空动作?还是需要使用CountBloomFilter结构来实现删除?

3.2.2 请求流程

增加了布隆过滤器的Redis作缓存系统的一次请求过程如下:



4. Redis布隆过滤器实现

4.1.1 借助Redis原生位图实现布隆过滤器

借助位图的话,需要自行实现多个hash函数,以及布隆过滤器的其它特性,可参考:用Redis快速实现BloomFilter

4.1.2 使用Redisson封装的RBloomFilter

redisson封装实体类RBloomFilter,分析源码同样是使用位图实现的,相关细节可分析源码。
RBloomFilter使用代码示例:

public void test1() {
    String filterName = "filterA";

    RBloomFilter bloomFilter = redissonService.redissonClient().getBloomFilter(filterName);
    bloomFilter.tryInit(1000000L, 0.01);

    bloomFilter.add("value1");
    boolean value1Exists = bloomFilter.contains("value1");
    boolean value2Exists = bloomFilter.contains("value2");

    System.out.println("1. Redisson value1 exists: " + value1Exists);
    System.out.println("1. Redisson value2 exists: " + value2Exists);
}

执行结果:

1. Redisson value1 exists: true
1. Redisson value2 exists: false

4.2. RedisBloom模块

Redis 在 4.0 的版本中加入了 module 功能,布隆过滤器可以通过 module 的形式添加到 redis 中,所以使用 redis 4.0 以上的版本可以通过加载 module 来使用 redis 中的布隆过滤器。还可以使用 docker 可以直接在 redis 中布隆过滤器。

4.2.1 Redis集成布隆过滤器模块

参考网址:

https://oss.redislabs.com/redisbloom/Quick_Start/

(1)安装RedisBloom模块

git clone https://github.com/RedisBloom/RedisBloom.git
cd RedisBloom
make

(2)启动redis-server

修改相应的server、conf、redisbloom.so的路径

./redis-server ./redis.conf --loadmodule ./redisbloom.so

4.2.2 主要命令

命令含义BF.ADD filterName value在过滤器中增加某个valueBF.MADD filterName value1 value2增加多个valueBF.EXISTS filterName value判断过滤器中是否存在某个valueBF.MEXISTS filterName value1 value2判断多个value是否存在BF.RESERVE 显式创建过滤器

BF.RESERVE

  • error_rate:允许布隆过滤器的错误率,这个值越低过滤器的位数组的大小越大,占用空间也就越大。
  • initial_size:布隆过滤器预计储存的元素个数,当实际存储的元素个数超过这个值之后,过滤器的准确率会下降。

错误率越小,需要的空间越大;预计元素个数越大,需要的空间越大。
示例:

bf.reserve urls 0.01 100

4.2.3 Java使用RedisBloom

在Java中如何使用RedisBloom模块呢?
考虑可以通过lua脚本(或其它可以执行原生Redis命令的方式)执行BF.ADD和BF.EXISTS等命令,RedisBloom官方中还推荐了JReBloom库。

(1)lua脚本执行原生命令

代码示例如下:

public void test2() {
    String filterName = "filterB";
    String addValueScript = "return redis.call('BF.ADD', KEYS[1], ARGV[1]); ";
    redisService.executeLuaScript(addValueScript,
            RScript.ReturnType.BOOLEAN,
            Lists.newArrayList(filterName),
            Lists.newArrayList("value1"));

    String valueExistsScript = "return redis.call('BF.EXISTS', KEYS[1], ARGV[1]); ";

    Boolean value1Exists = redisService.executeLuaScript(valueExistsScript,
            RScript.ReturnType.BOOLEAN,
            Lists.newArrayList(filterName),
            Lists.newArrayList("value1"));
    Boolean value2Exists = redisService.executeLuaScript(valueExistsScript,
            RScript.ReturnType.BOOLEAN,
            Lists.newArrayList(filterName),
            Lists.newArrayList("value2"));
    System.out.println("2. LuaScript value1 exists: " + value1Exists);
    System.out.println("2. LuaScript value2 exists: " + value2Exists);
}
复制代码

执行结果:

2. LuaScript value1 exists: true
2. LuaScript value2 exists: false

(2)JRedisBloom

引入jar包和仓库:


    com.redislabs
    jrebloom
    2.0.0-SNAPSHOT


    snapshots-repo
    https://oss.sonatype.org/content/repositories/snapshots

代码示例:

public void test3() {
    String filterName = "filterC";
    Client client = new Client("localhost", 7379);
    client.add(filterName, "value1");
    boolean value1Exists = client.exists(filterName, "value1"); // true
    boolean value2Exists = client.exists(filterName, "value2"); // False
    System.out.println("3. JRedisBloom value1 exists: " + value1Exists);
    System.out.println("3. JRedisBloom value2 exists: " + value2Exists);
}

执行结果:

3. JRedisBloom value1 exists: true
3. JRedisBloom value2 exists: false

5. 总结

布隆过滤器应用诸多,可用来过滤垃圾邮箱、海量URL识别等。用其来解决Redis缓存穿透问题,也只是缓存穿透问题的一种解决方案。

相关文章

面试突击90:过滤器和拦截器有什么区别?

过滤器(Filter)和拦截器(Interceptor)都是基于 AOP(Aspect Oriented Programming,面向切面编程)思想实现的,用来解决项目中某一类问题的两种“工具”,但二...

Springboot过滤器和拦截器详解及使用场景

一、过滤器和拦截器的区别1、过滤器和拦截器触发时机不一样,过滤器是在请求进入容器后,但请求进入servlet之前进行预处理的。请求结束返回也是,是在servlet处理完后,返回给前端之前。2、拦截器可...

聊聊Redis布隆过滤器(原理+实践篇)

1 Bloom Filter 介绍布隆过滤器(Bloom Filter)是 Redis 4.0 版本提供的新功能,我们一般将它当做插件加载到 Redis 服务器中,给 Redis 提供强大的去重功能。...

一种基于布隆过滤器的大表计算优化方法

问题背景在大数据行业内,尤其是数仓建设中,一直有一个绕不开的难题,就是大表的分析计算(这里的大表指亿级以上)。特别是大表之间的 Join 分析,对任何公司数据部门都是一个挑战!主要有以下挑战:由于数据...

Java Web—Filter(过滤器)

web中的过滤器的作用:当访问服务器的资源时,过滤器可以将请求拦截下来,完成一些特殊的功能。web中过滤器的应用场景:一般用于完成通用的操作。如:登录验证、统一编码处理、敏感字符过滤...Filter...

JAVA:如何实现 Bloom 过滤器?它是做什么用的?

在处理大型数据集时,经常需要快速确定一个元素是否属于某个集合。虽然传统的数据结构如哈希表和树可以完成这项任务,但随着数据量的增加,它们对空间的需求也随之激增。Bloom过滤器提供了一种高度空间效率的概...