\[TOC] ## 一、背景介绍在互联网中，我们经常遇到需要在大量数据中判断目标数据是否存在的情况。例如，在网络爬虫中，我们需要判断某个网址是否已经被访问过。为了实现这一功能，通常需要使用一个容器来存储已访问过的网址。如果将这些数据直接存储在磁盘中，每次判断都要进行磁盘查询，这将导致大量的IO操作，效率较低。因此，我们希望将这些数据保存在内存中。在数据量较小的情况下，可以使用Redis来存储这些数据。但是，当数据量超过上千万时，将会消耗几GB甚至几十GB的内存空间。然而，对于仅需要记录数据是否存在的情况而言，这样使用大量内存显然是浪费的。为了解决这个问题，我们可以使用布隆过滤器(Bloom Filter)。布隆过滤器是一种占用空间少且时间效率高的工具。 ## 二、认识布隆过滤器 ### 2.1 布隆过滤器简介布隆过滤器（Bloom Filter）是1970年由布隆提出的，它实质上是一个很长的二进制向量和一系列随机映射函数 (Hash函数)。作用：它是一个空间效率高的概率型数据结构，用来告诉你:**一个元素一定不存在或者可能存在**。 ### 2.2 优点 * 相比于其它的数据结构，布隆过滤器在空间和时间方面都有巨大的优势。布隆过滤器存储空间和插入/查询时间都是常数（即hash函数的个数）。 * Hash 函数相互之间没有关系，方便由硬件并行实现。 * 布隆过滤器不需要存储元素本身，在某些对保密要求非常严格的场合有优势。 * 布隆过滤器可以表示全集，其它任何数据结构都不能。 ### 2.3 缺点 * 有误判率存在。 * 不支持删除。 ### 2.4 适用场景 * 预防缓存穿透：布隆过滤器快速判断数据是否存在，避免通过查询数据库来判断数据是否存在。 * 网络爬虫：布隆过滤器可以用来去重已经爬取过的URL。 * 邮箱的垃圾邮件过滤。 * 黑白名单。 ## 三、布隆过滤器原理 ### 3.1 结构布隆过滤器实现原理就是**一个超大位数的数组和多个不同Hash算法函数**。假设位数组的长度为 m，哈希函数的个数为 k。如下图，一个长度16位的数组，3个不同Hash算法函数，数组里面存储的是 bit 位，只放 0 和 1，初始为 0。不同Hash算法函数 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/9e2054e6e1e24118aa21eeee2889f0de~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=815\&h=186\&s=5000\&e=webp\&b=ffffff) 指定长度数组 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/b039fd124b4140bd87bd0f580b005750~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=1237\&h=185\&s=5068\&e=webp\&b=fefefe) ### 3.2 添加元素将要添加的元素分别通过k个哈希函数计算得到k个哈希值，这k个hash值对应位数组上的k个位置，然后将这k个位置设置为1。我们添加一个data1和data2两个元素，两个元素根据三个hash算法函数计算出的值，需要说明一点三个值可能会存在相同的值。其中data1计算出1、8、13三值，我们把数组中对应的位置设置为1。 > Hash1(data1)=1\ > Hash2(data1)=8\ > Hash3(data1)=13 如图： ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/57f4ef07f47f44788f27800ebe38318d~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=1197\&h=670\&s=15660\&e=webp\&b=ffffff) data2计算出2、5、13三值，我们把数组中对应的位置设置为1 > Hash1(data2)=2\ > Hash2(data2)=5\ > Hash3(data2)=13 如图： ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/b0dea6da88744836bb5329ef2bd3bf0a~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=1237\&h=736\&s=17466\&e=webp\&b=fefefe) 我们发现data1和data2经过hash函数后，出现了一个相同值，这种是正常的，也正是因为这种情况的存在，需要多个函数来保证每个元素尽可能对应数组位置的唯一性，可以看下两个元素在一起的效果。如图： ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/1fdad7c38278498887001f9e4c7c2636~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=1237\&h=736\&s=20478\&e=webp\&b=fefdfd) 当不同元素在不同或者相同的hash函数计算后，得到同一个值，依旧只需要这个位置保持1即可。 ### 3.3 查询元素将要查询的元素分别通过k个哈希函数计算得到k个哈希值，这k个hash值对应位数组上的k个位置。如果这k个位置中有一个位置为0，则此元素一定不存在集合中。如果这k个位置全部为1，则这个元素可能存在。我们在刚才添加过data1和data2两个元素的布隆过滤器查询以下三种元素，data1已添加到布隆过滤器元素，data3和data4都是未添加到布隆过滤器元素。查询data1先根据添加时的三个hash函数计算分别对应值，值分别是1、8、13，然后查询数组中这三个位置的值是否为1。 > Hash1(data1)=1\ > Hash2(data1)=8\ > Hash3(data1)=13 如图： ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/8a3c88f6982c4b6db74837ef8fb589ca~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=1237\&h=619\&s=14116\&e=webp\&b=ffffff) 我们可以看到数组中1、8、13这三个位置都是1，data1可能存在于该布隆过滤器。我们从添加的角度来看，我们知道data1是一定存在于该布隆过滤器的，为什么还要是说可能呢，是因为查询出来三个位置都为1不能代表这个三个1都是同一个元素添加的，下面我们看下元素data3的查询。查询data3先根据添加时的三个hash函数计算分别对应值，值分别是2、8、13，然后查询数组中这三个位置的值是否为1。 > Hash1(data3)=2\ > Hash2(data3)=8\ > Hash3(data3)=13 如图： ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/63c0d18bdb5c49b2817a2bfc1a4ecc10~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=1237\&h=619\&s=14066\&e=webp\&b=ffffff) 我们已知的该布隆过滤器我们没有添加给data3，为什么data3查询出来三个位置的值都为1呢。我们可以看到data3所命中的位置分别是data2添加时把位置2赋值的1，和data1添加时把位置8和位置13赋值的1，都是由其他元素改变的位置对应的值，所以命中位置全部为1。这个元素可能存在。我们查询一下data4，看下命中位置不全为0的数据。查询data4先根据添加时的三个hash函数计算分别对应值，值分别是2、8、13，然后查询数组中这三个位置的值是否为1。 > Hash1(data4)=1\ > Hash2(data4)=8\ > Hash3(data4)=12 如图： ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/ea4c01a10e9d4512bcdb88c02b74d585~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=1237\&h=619\&s=13964\&e=webp\&b=ffffff) 我们可以看到data4元素的hash函数3计算之后的值是12，数组位置12的值是0，没有元素在位置12赋值过1。如果data4存在于该布隆过滤器，则一定在添加data4时会把位置12赋值1，此时位置12还是0，则说明该布隆过滤器未添加过data4元素，所以位置中有一个位置为0。则此元素一定不存在布隆过滤器中。 ## 四、布隆过滤器误判率刚才查询时我们发现data3没有添加过到布隆过滤器，却在布隆过滤器查询到了，这种情况就是布隆过滤器误判了。那可以不存在误判或者减少误判吗？事实上误判是一定存在的，我们可以**尽可能减小误判**。下面说下如何得到误判率。 ### 4.1 参数 m：布隆过滤器的bit长度。\ n：插入过滤器的元素个数。\ k：哈希函数的个数。 ### 4.2 推导过程布隆过滤器某个位不置为1的概率：$1-\frac{1}{m}$ 哈希k次某个位置不置为1的概率：$\left(1-\frac{1}{m}\right)^k$ 根据极限： $\lim\limits_{m \rightarrow \infty} \left(1-\frac{1}{m}\right)^m = \frac{1}{e}$\ 得： $\left(1-\frac{1}{m}\right)^k = \left(\left(1-\frac{1}{m}\right)^m\right)^\frac{k}{m} \approx e^\frac{-k}{m}$ 添加n个元素某个位置不置为1的概率：$\left(1-\frac{1}{m}\right)^{kn} \approx e^\frac{-kn}{m}$ 添加n个元素某个位置置为1的概率： $1-\left(1-\frac{1}{m}\right)^{kn} \approx 1-e^\frac{-kn}{m}$ 查询一个元素，k次hash后误判的概率为都命中1的概率： $\left(1-\left(1-\frac{1}{m}\right)^{kn}\right)^k \approx \left(1-e^\frac{-kn}{m}\right)^k$ ### 4.3 误判率公式 1、布隆过滤器的误差率为：$f(k)= \left(1-e^\frac{-kn}{m}\right)^k$ 2、在m和n一定,误判率尽量小的情况下，hash函数个数为： $k=\frac{n}{m}ln2$ 3、误判率和n确定的情况下，bit长度为： $m=-\frac{n*lnp}{{ln2}^2}$ 4、由误判率公式可知，**在k一定的情况下，当n增加时，误判率增加，m增加时，误判率减少**。 ## 五、实现方式 ### 5.1 Guava实现 guava是谷歌开源工具类，其中就有能直接实现布隆过滤器的方法，不需要重复造轮子。 | 方法名 | 功能 | 参数 | 返回值 | | ----------------------- | --------------------------------- | --------------------------------- | -------------- | | put | 添加元素 | put(T object) | boolean | | mightContain | 检查元素是否存在 | mightContain(T object) | boolean | | copy | 根据此实例创建一个新的BloomFilte | copy() | BloomFilter | | approximateElementCount | 已添加到Bloom过滤器的元素的数量 | approximateElementCount() | long | | expectedFpp | 返回元素存在的错误概率 | expectedFpp() | double | | isCompatible | 确定给定的Bloom筛选器是否与此Bloom筛选器兼容 | isCompatible(BloomFilter that) | boolean | | putAll | 通过执行的逐位OR将此Bloom过滤器与另一个Bloom过滤器组合 | putAll(BloomFilter that) | void | 引入依赖 ```java com.google.guava guava 23.0 ``` 测试代码 ```java private static void GuavaBloomFilter() { // 创建布隆过滤器对象 BloomFilter bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charset.defaultCharset()),EXPECTED_INSERTIONS,FALSE_PROBABILITY); // 向过滤器中添加元素 bloomFilter.put("element001"); bloomFilter.put("element003"); // 判断元素是否存在 System.out.println(bloomFilter.mightContain("element001"));//true System.out.println(bloomFilter.mightContain("element002"));//false // 已添加到Bloom过滤器的元素的数量 System.out.println(bloomFilter.approximateElementCount());// 2 // 返回元素存在的错误概率 System.out.println(bloomFilter.expectedFpp()); } ``` ### 5.2 Redis实现 * 开源Redisson([RBloomFilter](https://www.javadoc.io/doc/org.redisson/redisson/3.10.0/org/redisson/api/RBloomFilter.html))。 * Redis 4.0 官方提供布隆过滤器插件。 * 通过Redis提供的bitMap自己实现。 #### 5.2.1 开源Redisson方式 Redisson方法 | 方法名 | 功能 | 参数 | 返回值 | | --------------------- | ------------------ | --------------------------------------------------------- | ------- | | add | 添加元素 | add(T object) | boolean | | contains | 检查元素是否存在 | contains(T object) | boolean | | count | 已添加到Bloom过滤器的元素的数量 | count() | long | | getExpectedInsertions | 返回的预期插入元素的个数 | getExpectedInsertions() | long | | getFalseProbability | 返回元素存在的错误概率 | getFalseProbability() | double | | getHashIterations | 返回每个元素使用的哈希迭代次数 | getHashIterations() | int | | getSize | 返回此实例所需Redis内存的位数 | getSize() | long | | tryInit | 初始化Bloom筛选器参数 | tryInit(long expectedInsertions, double falseProbability) | boolean | | delete | 删除对象 | delete() | boolean | 引入依赖 ```java org.redisson redisson 3.22.1 ``` 测试代码 ```java private static void RedissonBloomFilter() { Config config = new Config(); config.useSingleServer().setAddress("redis://" + REDIS_IP + ":" + REDIS_PORT); config.useSingleServer().setPassword(REDIS_PASSWORD); // 获取客户端 RedissonClient redissonClient = Redisson.create(config); RBloomFilter bloomFilter = redissonClient.getBloomFilter(BLOOM_FILTER_NAME); // 初始化布隆过滤器：预期插入量为100000000L,预期错误概率为1% bloomFilter.tryInit(EXPECTED_INSERTIONS, FALSE_PROBABILITY); // 插入数据 bloomFilter.add("element001"); bloomFilter.add("element003"); // 判断下面元素是否在布隆过滤器中 System.out.println(bloomFilter.contains("element002"));//false System.out.println(bloomFilter.contains("element001"));//true // 已添加到Bloom过滤器的元素的数量 System.out.println(bloomFilter.count());//2 // 预期插入元素的个数 System.out.println(bloomFilter.getExpectedInsertions());//1000000 // 元素存在的错误概率 System.out.println(bloomFilter.getFalseProbability());//0.01 // 每个元素使用的哈希迭代次数 System.out.println(bloomFilter.getHashIterations()); // 实例所需Redis内存的位数 System.out.println(bloomFilter.getSize()); } ``` #### 5.2.2 Redis 4.0 官方提供布隆过滤器插件基础命令 | 命令 | 功能 | 参数 | | ------------ | --------------------------------------------------------- | ---------------------------------------------------------------------------------------------------------------------- | | BF.RESERVE | 创建一个大小为capacity，错误率为error\_rate的空的Bloom | BF.RESERVE {key} {error\_rate} {capacity} \[EXPANSION {expansion}] \[NONSCALING] | | BF.ADD | 向key指定的Bloom中添加一个元素itom | BF.ADD {key} {item} | | BF.MADD | 向key指定的Bloom中添加多个元案 | BF.MADD {key} {item ...} | | BF.INSERT | 向key指定的Bloom中添加多个元素，添加时可以指定大小和错误率，且可以控制在Bloom不存在的时候是否自动创建 | BF.INSERT {key} \[CAPACITY {cap}] \[ERROR {error}] \[EXPANSION {expansion}] \[NOCREATE] \[NONSCALING] ITEMS {item ...} | | BF.EXISTS | 检查一个元秦是否可能存在于key指定的Bloom中 | BF.EXISTS {key} {item} | | BF.MEXISTS | 同时检查多个元素是否可能存在于key指定的Bloom中 | BF.MEXISTS {key} {item ...} | | BF.SCANDUMP | 对Bloom进行增量持久化操作 | BF.SCANDUMP {key} {iter} | | BF.LOADCHUNK | 加载SCANDUMP持久化的Bloom数据 | BF.LOADCHUNK {key} {iter} {data} | | BF.INFO | 查询key指定的Bloom的信息 | BF.INFO {key} | | BF.DEBUG | 查看BloomFilter的内部详细信息(如每层的元素个数，错误率等) | BF.DEBUG (key} | 引入依赖 ```java redis.clients jedis 4.2.0 ``` 测试代码 ```java private static void RedisBloomFilter() { // 建立连接 BloomFilterCommands bloomFilterCommands = new JedisPooled(REDIS_IP, REDIS_PORT, "", REDIS_PASSWORD); // 构建布隆过滤器参数 BFReserveParams bfReserveParams = new BFReserveParams(); bfReserveParams.expansion(2); // 创建一个过滤器 String test = bloomFilterCommands.bfReserve(BLOOM_FILTER_NAME, FALSE_PROBABILITY, EXPECTED_INSERTIONS, bfReserveParams); // 向过滤器中添加元素 bloomFilterCommands.bfAdd(BLOOM_FILTER_NAME, "element001"); bloomFilterCommands.bfAdd(BLOOM_FILTER_NAME, "element003"); // 判断元素是否存在 System.out.println(bloomFilterCommands.bfExists(BLOOM_FILTER_NAME, "element001"));//true System.out.println(bloomFilterCommands.bfExists(BLOOM_FILTER_NAME, "element002"));//false } ``` #### 5.2.3 通过Redis提供的bitMap自己实现自定义方法 | 方法名 | 功能 | 参数 | 返回值 | | --------------------- | --------------- | ------------------------------------------------------------------ | ---------------- | | add | 添加元素 | add(String key, String element, int expireSec) | boolean | | contains | 检查元素是否存在 | contains(String key, String element) | boolean | | getExpectedInsertions | 返回的预期插入元素的个数 | getExpectedInsertions() | long | | getFalseProbability | 返回元素存在的错误概率 | getFalseProbability() | double | | getNumHashFunctions | 返回每个元素使用的哈希迭代次数 | getNumHashFunctions() | int | | getBitmapLength | 返回Bitmap长度 | getBitmapLength() | long | | BloomFilterUtils | 创建Bloom对象 | BloomFilterUtils(long expectedInsertions, double falseProbability) | BloomFilterUtils | 测试代码 ```java public class BloomFilterUtils { private static final String BF_KEY_PREFIX = "bf_"; private long numApproxElements; private double falseProbability; // hash个数 private int numHashFunctions; // 数组长度 private int bitmapLength; private JedisResourcePool jedisResourcePool; /** * 构造布隆过滤器。注意：在同一业务场景下，三个参数务必相同 * * @param numApproxElements 预估元素数量 * @param fpp 可接受的最大误差 * @param jedisResourcePool Codis专用的Jedis连接池 */ public BloomFilterUtils(Long numApproxElements, double fpp, JedisResourcePool jedisResourcePool) { this.numApproxElements = numApproxElements; this.falseProbability = fpp; this.jedisResourcePool = jedisResourcePool; // 数组长度 m = (n * lnp)/ln2^2 bitmapLength = (int) (-numApproxElements * Math.log(fpp) / (Math.log(2) * Math.log(2))); // hash个数 k = (n / m ) * ln2 numHashFunctions = Math.max(1, (int) Math.round((double) bitmapLength / numApproxElements * Math.log(2))); } /** * 取得预估元素数量 */ public long getExpectedInsertions() { return numApproxElements; } /** * 返回元素存在的错误概率 */ public double getFalseProbability() { return falseProbability; } /** * 取得自动计算的最优哈希函数个数 */ public int getNumHashFunctions() { return numHashFunctions; } /** * 取得自动计算的最优Bitmap长度 */ public int getBitmapLength() { return bitmapLength; } /** * 计算一个元素值哈希后映射到Bitmap的哪些bit上 * * @param element 元素值 * @return bit下标的数组 */ private long[] getBitIndices(String element) { long[] indices = new long[numHashFunctions]; // 元素使用MurMurHash3 128位Hash算法转换值 byte[] bytes = Hashing.murmur3_128() .hashObject(element, Funnels.stringFunnel(Charset.forName("UTF-8"))) .asBytes(); // 低8位转Long值 long hash1 = Longs.fromBytes( bytes[7], bytes[6], bytes[5], bytes[4], bytes[3], bytes[2], bytes[1], bytes[0] ); // 高8位转Long值 long hash2 = Longs.fromBytes( bytes[15], bytes[14], bytes[13], bytes[12], bytes[11], bytes[10], bytes[9], bytes[8] ); long combinedHash = hash1; // 双重哈希进行散列 for (int i = 0; i < numHashFunctions; i++) { indices[i] = (combinedHash & Long.MAX_VALUE) % bitmapLength; combinedHash += hash2; } return indices; } /** * 插入元素 * * @param key 原始Redis键，会自动加上'bf_'前缀 * @param element 元素值，字符串类型 * @param expireSec 过期时间（秒） */ public void add(String key, String element, int expireSec) { if (key == null || element == null) { throw new RuntimeException("键值均不能为空"); } String actualKey = BF_KEY_PREFIX.concat(key); try (Jedis jedis = jedisResourcePool.getResource()) { try (Pipeline pipeline = jedis.pipelined()) { // 遍历元素所有hash结果的bit位置 for (long index : getBitIndices(element)) { pipeline.setbit(actualKey, index, true); } pipeline.syncAndReturnAll(); } jedis.expire(actualKey, expireSec); } } /** * 检查元素在集合中是否（可能）存在 * * @param key 原始Redis键，会自动加上'bf_'前缀 * @param element 元素值，字符串类型 */ public boolean contains(String key, String element) { if (key == null || element == null) { throw new RuntimeException("键值均不能为空"); } String actualKey = BF_KEY_PREFIX.concat(key); boolean result = false; try (Jedis jedis = jedisResourcePool.getResource()) { // 遍历元素所有hash结果的bit位置 try (Pipeline pipeline = jedis.pipelined()) { for (long index : getBitIndices(element)) { pipeline.getbit(actualKey, index); } result = !pipeline.syncAndReturnAll().contains(false); } } return result; } public static void main(String[] args) { String path = Path.getCurrentPath() + "/config/zzjodis.properties"; ConfigReadUtil configReadUtil = new ConfigReadUtil(path); try { JedisResourcePool jedisResourcePool = RoundRobinJedisPool. create() .curatorClient(configReadUtil.getString("jodisZkStr"), 5000) .zkProxyDir(configReadUtil.getString("zkProxyDir")) .team(configReadUtil.getString("team")) .connectionTimeoutMs(configReadUtil.getInt("connectionTimeoutMs")) .soTimeoutMs(configReadUtil.getInt("soTimeoutMs")) .appKey(configReadUtil.getString("appKey")) .password("".equals(configReadUtil.getString("password")) ? null : configReadUtil.getString("password")) .build(); BloomFilterUtils bloomFilterUtils = new BloomFilterUtils(10000, 0.01, jedisResourcePool); bloomFilterUtils.add("filter01", "element001", 30 * 60); System.out.println(bloomFilterUtils.contains("filter01", "element001")); // true System.out.println(bloomFilterUtils.contains("filter01", "element002")); // false } catch (Exception e) { e.printStackTrace(); } } } ``` ## 六、布隆过滤器商业运用 ### 6.1 业务场景 > 在C1看视频得曝光活动项目中，为了在个人中心页为拥有在架商品的用户展示活动入口，需要高效地判断用户是否有在架商品。目前存在上亿存量用户和上百万的在架商品用户。每次用户进入个人中心页时，需要查询用户是否有在架商品，以确定是否展示活动入口。然而，直接查询商品服务会导致大量的重复查询和增加服务耗时。可以使用布隆过滤器来优化此过程，它只需要几十MB内存，相比于使用Redis存储每日在架商品用户需要几GB内存，更加高效节省内存消耗。 ### 6.2 布隆过滤器选择 | 实现方式 | 储存位置 | 适用场景 | 备注 | | ------------ | ----- | ---- | ----------------------- | | Guava | 机器 | 单机 | 只需要机器内存不需要其他资源 | | Redisson | redis | 分布式 | 连接Redis即可使用 | | Redis插件 | redis | 分布式 | 需要对redis集群进行设置支持布隆过滤器插件 | | Redis的bitMap | redis | 分布式 | 需要自己实现添加和查询 | > 对于分布式服务环境，Guava方式不适合使用，而Redis插件需要复杂的配置和高成本支持。相比之下，Redisson连接Redis并进行插入和查询的方式更适合当前场景，因此最终选择了Redisson方式。 ### 6.3 使用布隆过滤器效果 1、内存占用情况 > 1. 上线初期，我们将符合条件的用户存入Codis缓存中。这使得内存从1.98GB增长到9.52GB，此次数据量占用了7.54GB的内存。 > 2. 随后，为进一步优化，我们成功将用户量缩小了25倍。这使得内存占用降至308.8MB。 > 3. 最终，我们切换到了Redisson方式使用布隆过滤器。这次Redis内存从2.7172GB增长到2.7566GB，而数据量仅占用39.4MB的内存。使用Codis内存占用情况 > 插入数据前： > ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/838fa8e586754c7ebc775f36f4e816e8~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=580\&h=64\&s=6290\&e=webp\&b=020202) > 插入数据后： > ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/ff90415a753847fa8ac1ea4c7577e1e5~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=581\&h=73\&s=6440\&e=webp\&b=010101) 使用布隆过滤器内存占用情况 > 插入数据前： > ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/2908602ffdc74bdaaaca5cfeaed34b4a~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=630\&h=76\&s=7050\&e=webp\&b=2c2b2b) > 插入数据后： > ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/57f7b630076347d5b017ed83caa2636b~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=636\&h=70\&s=7050\&e=webp\&b=2d2c2b) 2、通过使用布隆过滤器减少对商品服务的查询，从而提升服务性能。之前需要查询商品服务来判断用户商品状态，但使用布隆过滤器后，减少了这部分服务间的调用耗时，整体流程的耗时减少了大约5ms。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/2d406f9393de4d19858587611de7f3b9~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=659\&h=392\&s=10336\&e=webp\&b=fefefe)
*** > 作者介绍李帅齐，转转商业后端开发工程师，目前负责商业C端相关业务系统开发(广告检索、计费以及特征工程系统等)。 > 转转研发中心及业界小伙伴们的技术学习交流平台，定期分享一线的实战经验及业界前沿的技术话题。 > 关注公众号「转转技术」（综合性）、「大转转FE」（专注于FE）、「转转QA」（专注于QA），更多干货实践，欢迎交流分享~