作用

判断数据可能存在 或 一定不存在。

好处

增加和查询元素的时间复杂度O(N)
布隆过滤器不存储元素本身，占用小，保密性强

缺点

存在误判，bit数组占用率越高，误判率越高；无法获取元素本身，很难删除元素

原理

1、Bit数组 存储数据

| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |

2、Key多次Hash，获取Bit数组下标 

key值经过三次hash获得三个下标，这三个位置的元素设置为 1 。
| 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |

3、查询KEY

根据Key 进行hash运算三个下标，查询三个元素是否都为1，都为1表示可能存在，存在0表示一定不存在。

4、 误判率

存储 Key越多， 也就代表 Bit数组 1 越多 ， 0 越少， 误判率也就 越高 。

例子：

有一个12位bit数组，存储50个key之后，bit数组元素均为1
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |

那么这时候，无论查询什么新的Key，都会返回三个1。

解决：

可以 适当增加Bit数组长度 ， 降低误判率 。

删除KEY

由于布隆过滤的实现和hash冲突，很难删除布隆过滤的key。
一般是重新进行查询计算布隆过滤器的数据。
如果需要删除，可以给每个Bit元素添加计数器，删除一个key就给三个元素的计数减1。（可参考 Counting Bloom Filter）

使用场景

1、缓存穿透
2、黑名单过滤
3、URL去重

相关

布谷过滤器 （Cuckoo Filter