《数学之美》上看到的，数据筛选有用，记一笔。
- 缺点：有误判，删除困难。
- 优点：占用空间小，查询快。
原理
a.添加元素：设计一个布隆过滤器
栗子：找一个Bit Array（行阵列），含有11位数字。
取一个待检测的值25
- 转二进制：11001
- 取奇数位和偶数位各自化成整数。上例中，奇数位：101，得5，偶数位：10，得2。（制造hash function）
- 对Bit Array总位数取模，也就是哈希运算。 5mod11=5，将索引5位的数置1 2mod11=2，将索引2的数置1
结果：
b.查询元素：用布隆过滤器判断一个数是否存在
假设我们有一个已知的过滤器：10100101010
我们想知道数118有没有在这个过滤器里出现过：
首先，计算118的二进制表达：y=118=1110110
h1(y)=14mod11=3
h2(y)=5mod11=5
在标中，索引3为0，索引5为1，因此我们认为118没有出现过。
c.hash function
a/b两个例子中的hash function是我们计算出来的。当我们设定hash function的时候，同样按照相同的方法计算哈希值（取模）
添加元素时，用k个hash function将它hash得到bloom filter中k个bit位，将这个k个bit位置1。
判断元素是否在集合中时，用k个hash function将它hash得到k个bit位。若这k bits全为1，则此元素在集合中；若其中任一为不为1，则此元素比不在集合中。
误判率FP的计算
布隆过滤器只有FP,没有FN,即不会漏报，但会有误报。
计算
Target：集合的大小
Target = Size（BitArray）
Dart：飞镖，也就是待计算的元素，为输入数据的量hash函数的个数
Dart = Size（NumOfInputElements*NumHashfunc）
计算栗子：
假如我们有10亿的阵列，5个hash函数，然后我们输入1000万的数据
因此
Target=10^9
Dart=10^8 *5
F0=e^（-1/2）=0.607
F1=(1-F0)^5=(0.393)^5=0.00937
--------------------------------我是高调的分割线------------------------
？？？
redis实现布隆过滤器,利用bitmap和redis cluster构建分布式布隆过滤器？？？
？？？
？？？
