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
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。