Redis 布隆过滤器实战「缓存击穿、雪崩效应」

快来打我* 2022-03-01 18:08 240阅读 0赞

Java高级互联网架构 2019-03-22 13:52:38

**为什么引入**

我们的业务中经常会遇到穿库的问题，通常可以通过缓存解决。 如果数据维度比较多，结果数据集合比较大时，缓存的效果就不明显了。 因此为了解决穿库的问题，我们引入**Bloom Filter。**

我们先看看一般业务缓存流程：

![Redis 布隆过滤器实战「缓存击穿、雪崩效应」][Redis]

先查询缓存，缓存不命中再查询数据库。 然后将查询结果放在缓存中即使数据不存在，也需要创建一个缓存，用来防止穿库。这里需要区分一下数据是否存在。 如果数据不存在，缓存时间可以设置相对较短，防止因为主从同步等问题，导致问题被放大。

这个流程中存在薄弱的问题是，当用户量太大时，我们会缓存大量数据空数据，并且一旦来一波冷用户，会造成雪崩效应。 对于这种情况，我们产生第二个版本流程:redis过滤冷用户缓存流程

![Redis 布隆过滤器实战「缓存击穿、雪崩效应」][Redis 1]

我们将数据库里面，命中的用户放在redis的set类型中，设置不过期。 这样相当把redis当作数据库的索引，只要查询redis，就可以知道是否数据存在。 redis中不存在就可以直接返回结果。 如果存在就按照上面提到一般业务缓存流程处理。

聪明的你肯定会想到更多的问题：

1.  redis本身可以做缓存，为什么不直接返回数据呢？
2.  如果数据量比较大，单个set，会有性能问题？
3.  业务不重要，将全量数据放在redis中，占用服务器大量内存。投入产出不成比例？

问题1需要区分业务场景，结果数据少，我们是可以直接使用redis作为缓存，直接返回数据。 结果比较大就不太适合用redis存放了。比如ugc内容，一个评论里面可能存在上万字，业务字段多。

redis使用有很多技巧。bigkey 危害比较大，无论是扩容或缩容带来的内存申请释放， 还是查询命令使用不当导致大量数据返回，都会影响redis的稳定。这里就不细谈原因及危害了。 解决bigkey 方法很简单。我们可以使用hash函数来分桶，将数据分散到多个key中。 减少单个key的大小，同时不影响查询效率。

问题3是redis存储占用内存太大。因此我们需要减少内存使用。 重新思考一下引入redis的目的。 redis像一个集合，整个业务就是验证请求的参数是否在集合中。

![Redis 布隆过滤器实战「缓存击穿、雪崩效应」][Redis 2]

这个结构就像洗澡的时候用的双向阀门：左边热水，右边冷水。大部分的编程语言都内置了filter。 拿python举例，filter函数用于过滤序列， 过滤掉不符合条件的元素，返回由符合条件元素组成的列表。

我们看个例子：

> $ python2
> 
> Python 2.7.10 (default, Oct 6 2017, 22:29:07)
> 
> \[GCC 4.2.1 Compatible Apple LLVM 9.0.0 (clang-900.0.31)\] on darwin
> 
> Type "help", "copyright", "credits" or "license" for more information.
> 
> >>> s = \{2, 4\}
> 
> >>> filter(lambda x:x in s, \[0, 1, 2\])
> 
> \[2\]

集合s中存在 2，4两个数字，我们需要查询 0，1，2 那些在集合s中。 lambda x:x in s构造一个匿名函数，判断入参x是否在集合s中。 过滤器filter依次对列表中的数字执行匿名函数。最终返回列表\[2\]。

redis中实现set用了两种结构：intset和hash table。 非数字或者大量数字时都会退化成hash table。 那么是否好的算法可以节省hash table的大小呢？

其实早在1970年由Burton Howard Bloom提出的布隆过滤器（英语：Bloom Filter）。 它实际上是一个很长的二进制向量和一系列随机映射函数。 布隆过滤器可以用于检索一个元素是否在一个集合中。 它的优点是空间效率和查询时间都远远超过一般的算法， 缺点是有一定的误识别率和删除困难。

BloomFilter原理

我们常见的将业务字段拼接之后md5，放在一个集合中。 md5生成一个固定长度的128bit的串。 如果我们用bitmap来表示，则需要

2**128 = 340282366920938463463374607431768211456 bit

判断一个值在不在，就变成在这个bitmap中判断所在位是否为1。 但是我们全世界的机器存储空间也无法存储下载。 因此我们只能分配有限的空间来存储。 比如:

import crc32
    def BloomFilter(sample, size, hash_size=1):
     # 构造一个hash函数，将输入数据散列到size一个位置上
     hash = lambda x:crc32(str(x).encode())%size
     collision, s = 0, set()
     for i in range(sample):
     k = set()
     for j in range(hash_size):
     k.add(hash(i+j*size/hash_size))
     # 只有所有散列结果k都在s中，才认为i重复
     if not k - s:
     collision += 1
     continue
     # 将散列结果k更新到集合s中
     s |= k
     return collision

当只有一个hash函数时：很容易发生冲突。

![Redis 布隆过滤器实战「缓存击穿、雪崩效应」][Redis 3]

可以看到上面1和2的hash结果都是7，发生冲突。 如果增加hash函数，会发生什么情况？

![Redis 布隆过滤器实战「缓存击穿、雪崩效应」][Redis 4]

我们使用更多的hash函数和更大的数据集合来测试。得到下面这张表

![Redis 布隆过滤器实战「缓存击穿、雪崩效应」][Redis 5]

由此可以看到当增加hash方法能够有效的降低碰撞机率。 比较好的数据如下：

![Redis 布隆过滤器实战「缓存击穿、雪崩效应」][Redis 6]

但是增加了hash方法之后，会降低空间的使用效率。当集合占用总体空间达到25%的时候， 增加hash 的效果已经不明显

![Redis 布隆过滤器实战「缓存击穿、雪崩效应」][Redis 7]

上面的使用多个hash方法来降低碰撞就是BloomFilter的核心思想。

适合的场景

*  数据库防止穿库 Google Bigtable，Apache HBase和Apache Cassandra以及Postgresql 使用BloomFilter来减少不存在的行或列的磁盘查找。避免代价高昂的磁盘查找会大大提高数据库查询操作的性能。 如同一开始的业务场景。如果数据量较大，不方便放在缓存中。需要对请求做拦截防止穿库。
 *  缓存宕机 缓存宕机的场景，使用布隆过滤器会造成一定程度的误判。原因是除了Bloom Filter 本身有误判率，宕机之前的缓存不一定能覆盖到所有DB中的数据，当宕机后用户请求了一个以前从未请求的数据，这个时候就会产生误判。当然，缓存宕机时使用布隆过滤器作为应急的方式，这种情况应该也是可以忍受的。
 *  WEB拦截器 相同请求拦截防止被攻击。用户第一次请求，将请求参数放入BloomFilter中，当第二次请求时，先判断请求参数是否被BloomFilter命中。可以提高缓存命中率
 *  恶意地址检测 chrome 浏览器检查是否是恶意地址。 首先针对本地BloomFilter检查任何URL，并且仅当BloomFilter返回肯定结果时才对所执行的URL进行全面检查（并且用户警告，如果它也返回肯定结果）。
 *  比特币加速 bitcoin 使用BloomFilter来加速钱包同步。

算法优点：

*  数据空间小，不用存储数据本身。

算法本身缺点：

*  元素可以添加到集合中，但不能被删除。
 *  匹配结果只能是“绝对不在集合中”，并不能保证匹配成功的值已经在集合中。
 *  当集合快满时，即接近预估最大容量时，误报的概率会变大。
 *  数据占用空间放大。一般来说，对于1％的误报概率，每个元素少于10比特，与集合中的元素的大小或数量无关。 - 查询过程变慢，hash函数增多，导致每次匹配过程，需要查找多个位（hash个数）来确认是否存在。

对于BloomFilter的优点来说，缺点都可以忽略。毕竟只需要kN的存储空间就能存储N个元素。空间效率十分优秀。

如何使用BloomFilter

BloomFilter 需要一个大的bitmap来存储。鉴于目前公司现状，最好的存储容器是redis。

redis集成BloomFilter方案：

*  原生python 调用setbit 构造 BloomFilter
 *  lua脚本
 *  Rebloom - Bloom Filter Module for Redis (注：redis Module在redis4.0引入)
 *  使用hiredis 调用redis pyreBloom

原生python 方法太慢，lua脚本和module 部署比较麻烦。于是我们推荐使用pyreBloom，底层使用。

pyreBloom:master λ ls
    Makefile bloom.h bloom.pxd murmur.c pyreBloom.pyx
    bloom.c bloom.o main.c pyreBloom.c

从文件命名上可以看到bloom 使用c编写。pyreBloom 使用cython编写。

bloom.h 里面实现BloomFilter的核心逻辑，完成与redis server的交互；hash函数；添加，检查和删除方法的实现。

int init_pyrebloom(pyrebloomctxt * ctxt, char * key, uint32_t capacity, double error, char* host, uint32_t port, char* password, uint32_t db);
    int free_pyrebloom(pyrebloomctxt * ctxt);
    int add(pyrebloomctxt * ctxt, const char * data, uint32_t len);
    int add_complete(pyrebloomctxt * ctxt, uint32_t count);
    int check(pyrebloomctxt * ctxt, const char * data, uint32_t len);
    int check_next(pyrebloomctxt * ctxt);
    int delete(pyrebloomctxt * ctxt);

pyreBloom.pyx

import math
    import random
    cimport bloom
    class pyreBloomException(Exception):
    	'''Some sort of exception has happened internally'''
    	pass
    cdef class pyreBloom(object):
    	cdef bloom.pyrebloomctxt context
    	cdef bytes key
    	property bits:
    		def __get__(self):
    			return self.context.bits
    	property hashes:
    		def __get__(self):
    			return self.context.hashes
    	def __cinit__(self, key, capacity, error, host='127.0.0.1', port=6379,
    		password='', db=0):
    		self.key = key
    		if bloom.init_pyrebloom(&self.context, self.key, capacity,
    			error, host, port, password, db):
    			raise pyreBloomException(self.context.ctxt.errstr)
    	def __dealloc__(self):
    		bloom.free_pyrebloom(&self.context)
    	def delete(self):
    		bloom.delete(&self.context)
    	def put(self, value):
    		if getattr(value, '__iter__', False):
    			r = [bloom.add(&self.context, v, len(v)) for v in value]
    			r = bloom.add_complete(&self.context, len(value))
    		else:
    			bloom.add(&self.context, value, len(value))
    			r = bloom.add_complete(&self.context, 1)
    		if r < 0:
    			raise pyreBloomException(self.context.ctxt.errstr)
    		return r
    	def add(self, value):
    		return self.put(value)
    	def extend(self, values):
    		return self.put(values)
    	def contains(self, value):
    		# If the object is 'iterable'...
    		if getattr(value, '__iter__', False):
    			r = [bloom.check(&self.context, v, len(v)) for v in value]
    			r = [bloom.check_next(&self.context) for i in range(len(value))]
    			if (min(r) < 0):
    				raise pyreBloomException(self.context.ctxt.errstr)
    			return [v for v, included in zip(value, r) if included]
    		else:
    			bloom.check(&self.context, value, len(value))
    			r = bloom.check_next(&self.context)
    			if (r < 0):
    				raise pyreBloomException(self.context.ctxt.errstr)
    			return bool(r)
    	def __contains__(self, value):
    		return self.contains(value)
    	def keys(self):
    		'''Return a list of the keys used in this bloom filter'''
    		return [self.context.keys[i] for i in range(self.context.num_keys)]
    原生pyreBloom方法:
    cdef class pyreBloom(object):
     cdef bloom.pyrebloomctxt context
     cdef bytes
     property bits:
     property hashes:
     // 使用的hash方法数
     def delete(self):
     // 删除，会在redis中删除
     def put(self, value):
     // 添加 底层方法, 不建议直接调用
     def add(self, value):
     // 添加单个元素，调用put方法
     def extend(self, values):
     // 添加一组元素，调用put方法
     def contains(self, value):
     // 检查是否存在，当`value`可以迭代时，返回`[value]`, 否则返回`bool`
     def keys(self):
     // 在redis中存储的key列表

由于pyreBloom使用hiredis库，本身没有重连等逻辑，于是错了简单的封装。

# coding=utf-8
     '''
     bloom filter 基础模块
     可用方法:
     extend, keys, contains, add, put, hashes, bits, delete
     使用方法:
     >>> class TestModel(BaseModel):
     ... PREFIX = "bf:test"
     >>> t = TestModel()
     >>> t.add('hello')
     1
     >>> t.extend(['hi', 'world'])
     2
     >>> t.contains('hi')
     True
     >>> t.delete()
     '''
     import logging
     from six import PY3 as IS_PY3
     from pyreBloom import pyreBloom, pyreBloomException
     from BloomFilter.utils import force_utf8
     class BaseModel(object):
     '''
     bloom filter 基础模块
     参数：
     SLOT: 可用方法类型
     PREFIX: redis前缀
     BF_SIZE: 存储最大值
     BF_ERROR: 允许的出错率
     RETRIES: 连接重试次数
     host: redis 服务器IP
     port: redis 服务器端口
     db: redis 服务器DB
     _bf_conn: 内部保存`pyreBloom`实例
     '''
     SLOT = {'add', 'contains', 'extend', 'keys', 'put', 'delete',
     'bits', 'hashes'}
     PREFIX = ""
     BF_SIZE = 100000
     BF_ERROR = 0.01
     RETRIES = 2
     def __init__(self, redis=None):
     '''
     初始化redis配置
     :param redis: redis 配置
     '''
     # 这里初始化防止类静态变量多个继承类复用，导致数据被污染
     self._bf_conn = None
     self._conf = {
     'host': '127.0.0.1', 'password': '',
     'port': 6379, 'db': 0
     }
     if redis:
     for k, v in redis.items():
     if k in self._conf:
     self._conf[k] = redis[k]
     self._conf = force_utf8(self._conf)
     @property
     def bf_conn(self):
     '''
     初始化pyreBloom
     '''
     if not self._bf_conn:
     prefix = force_utf8(self.PREFIX)
     logging.debug(
     'pyreBloom connect: redis://%s:%s/%s, (%s %s %s)',
     self._conf['host'], self._conf['port'], self._conf['db'],
     prefix, self.BF_SIZE, self.BF_ERROR,
     )
     self._bf_conn = pyreBloom(
     prefix, self.BF_SIZE, self.BF_ERROR, **self._conf)
     return self._bf_conn
     def __getattr__(self, method):
     '''调用pyrebloom方法
     没有枚举的方法将从`pyreBloom`中获取
     :param method:
     :return: pyreBloom.{method}
     '''
     # 只提供内部方法
     if method not in self.SLOT:
     raise NotImplementedError()
     # 捕获`pyreBloom`的异常, 打印必要的日志
     def catch_error(*a, **kwargs):
     '''多次重试服务'''
     args = force_utf8(a)
     kwargs = force_utf8(kwargs)
     for _ in range(self.RETRIES):
     try:
     func = getattr(self.bf_conn, method)
     res = func(*args, **kwargs)
     # python3 返回值和python2返回值不相同，
     # 手工处理返回类型
     if method == 'contains' and IS_PY3:
     if isinstance(res, list):
     return [i.decode('utf8') for i in res]
     return res
     except pyreBloomException as error:
     logging.warn(
     'pyreBloom Error: %s %s', method, str(error))
     self.reconnect()
     if _ == self.RETRIES:
     logging.error('pyreBloom Error')
     raise error
     return catch_error
     def __contains__(self, item):
     '''跳转__contains__方法
     :param item: 查询元素列表/单个元素
     :type item: list/basestring
     :return: [bool...]/bool
     '''
     return self.contains(item)
     def reconnect(self):
     '''
     重新连接bloom
     `pyreBloom` 连接使用c driver，没有提供timeout参数，使用了内置的timeout
     同时为了保证服务的可靠性，增加了多次重试机制。
     struct timeval timeout = { 1, 5000 };
     ctxt->ctxt = redisConnectWithTimeout(host, port, timeout);
     del self._bf_conn 会调用`pyreBloom`内置的C的del方法，会关闭redis连接
     '''
     if self._bf_conn:
     logging.debug('pyreBloom reconnect')
     del self._bf_conn
     self._bf_conn = None
     _ = self.bf_conn

进阶：计数过滤器(Counting Filter)

提供了一种在BloomFilter上实现删除操作的方法，而无需重新创建过滤器。在计数滤波器中，阵列位置（桶）从单个位扩展为n位计数器。实际上，常规布隆过滤器可以被视为计数过滤器，其桶大小为一位。

插入操作被扩展为递增桶的值，并且查找操作检查每个所需的桶是否为非零。然后，删除操作包括递减每个桶的值。

存储桶的算术溢出是一个问题，并且存储桶应该足够大以使这种情况很少见。如果确实发生，则增量和减量操作必须将存储区设置为最大可能值，以便保留BloomFilter的属性。

计数器的大小通常为3或4位。因此，计算布隆过滤器的空间比静态布隆过滤器多3到4倍。相比之下， Pagh，Pagh和Rao（2005）以及Fan等人的数据结构。（2014）也允许删除但使用比静态BloomFilter更少的空间。

计数过滤器的另一个问题是可扩展性有限。由于无法扩展计数布隆过滤器表，因此必须事先知道要同时存储在过滤器中的最大键数。一旦超过表的设计容量，随着插入更多密钥，误报率将迅速增长。

Bonomi等人。（2006）引入了一种基于d-left散列的数据结构，它在功能上是等效的，但使用的空间大约是计算BloomFilter的一半。此数据结构中不会出现可伸缩性问题。一旦超出设计容量，就可以将密钥重新插入到双倍大小的新哈希表中。

Putze，Sanders和Singler（2007）的节省空间的变体也可用于通过支持插入和删除来实现计数过滤器。

Rottenstreich，Kanizo和Keslassy（2012）引入了一种基于变量增量的新通用方法，该方法显着提高了计算布隆过滤器及其变体的误报概率，同时仍支持删除。与计数布隆过滤器不同，在每个元素插入时，散列计数器以散列变量增量而不是单位增量递增。要查询元素，需要考虑计数器的确切值，而不仅仅是它们的正面性。如果由计数器值表示的总和不能由查询元素的相应变量增量组成，则可以将否定答案返回给查询。

[Redis]: http://p1.pstatp.com/large/pgc-image/ad836008a83d44ea807ec3699f235311
[Redis 1]: http://p1.pstatp.com/large/pgc-image/136c03c25a734629a3fce3520fa637f5
[Redis 2]: /images/20220301/91f71f3f833e40728c69e019a60f1bae.png
[Redis 3]: /images/20220301/e1a771c635904049b73348df6d9867f9.png
[Redis 4]: /images/20220301/25896841aa3d462d892923b77a55c85d.png
[Redis 5]: /images/20220301/ec5de534e9fc4022934554666b3845ed.png
[Redis 6]: http://p1.pstatp.com/large/pgc-image/fc379fd1040c43f9b50bc452348825c6
[Redis 7]: http://p1.pstatp.com/large/pgc-image/2f8d5798c4dc45e1973cbd4bf148567f