概率型数据结构：布隆过滤器

Bloom Filter作用：是一种概率型的数据结构，可以判断may be contains some value，但是肯定不包含某个value

比如问题：https://blog.csdn.net/zdxiq000/article/details/57626464

或者比如redis 缓存击穿，比如我们database中含有1千万条数据，database前加一层缓存，如果没有加上布隆过滤器，那么如果未命中缓存，则直接击穿到database。攻击者可以利用这一点疯狂的访问databse，直至瘫痪。

解决方案：将database中的一千万条数据跑一遍布隆过滤器。这样，如果一个请求过来后，判断是否在布隆过滤器内，如果在(may be)，则按正常的逻辑走，访问database。如果不再，则不再访问database，直接返回即可，这样就减少了对database的无效访问。

 

 

package com.demo;

import com.google.common.hash.Funnels;
import java.util.HashSet;
import java.util.Random;
import com.google.common.hash.BloomFilter;


public class TestBloomFilter {

    static int sizeOfNumberSet = 1000;

    static Random generator = new Random();

    public static void main(String[] args) {
        int error = 0;
        HashSet<Integer> hashSet = new HashSet<>();
        BloomFilter<Integer> filter = BloomFilter.create(Funnels.integerFunnel(), sizeOfNumberSet);

        for(int i = 0; i < sizeOfNumberSet; i++) {
            int number = generator.nextInt();
            if(filter.mightContain(number) != hashSet.contains(number)) {
                error++;
            }
            filter.put(number);
            hashSet.add(number);
        }

        System.out.println("Error count: " + error + ", error rate = " + String.format("%f", (float)error/(float)sizeOfNumberSet));
    }
}