久久久熟妇BBw,日韩日色视频在线

一、什么是布隆過濾器

介紹布隆過濾器之前，先介紹一下哈希函數(shù)，我們在Java中的HashMap，HashSet也接觸過hashcode()這個(gè)函數(shù)。

哈希函數(shù)指將哈希表中元素的關(guān)鍵鍵值通過一定的函數(shù)關(guān)系映射為元素存儲位置的函數(shù)。

哈希函數(shù)的特點(diǎn)：

如果根據(jù)同一個(gè)哈希函數(shù)得到的哈希值不同，那么這兩個(gè)哈希值的原始輸入值肯定不同
如果根據(jù)同一個(gè)哈希函數(shù)得到的兩個(gè)哈希值相等，兩個(gè)哈希值的原始輸入值有可能相等，有可能不相等

布隆過濾器實(shí)際上是一個(gè)非常長的二進(jìn)制向量(bitmap)和一系列隨機(jī)哈希函數(shù)。

布隆過濾器（英語：Bloom Filter）是1970年由布隆提出的。它實(shí)際上是一個(gè)很長的二進(jìn)制向量和一系列隨機(jī)映射函數(shù)。布隆過濾器可以用于檢索一個(gè)元素是否在一個(gè)集合中。它的優(yōu)點(diǎn)是空間效率和查詢時(shí)間都遠(yuǎn)遠(yuǎn)超過一般的算法，缺點(diǎn)是有一定的誤識別率和刪除困難。
Bloom Filter（BF）是一種空間效率很高的隨機(jī)數(shù)據(jù)結(jié)構(gòu)，它利用位數(shù)組很簡潔地表示一個(gè)集合，并能判斷一個(gè)元素是否屬于這個(gè)集合。
它是一個(gè)判斷元素是否存在集合的快速的概率算法。Bloom Filter有可能會出現(xiàn)錯誤判斷，但不會漏掉判斷。也就是Bloom Filter判斷元素不再集合，那肯定不在。如果判斷元素存在集合中，有一定的概率判斷錯誤。因此，Bloom Filter”不適合那些“零錯誤的應(yīng)用場合。而在能容忍低錯誤率的應(yīng)用場合下，Bloom Filter比其他常見的算法（如hash，折半查找）極大節(jié)省了空間。

優(yōu)點(diǎn)：

布隆過濾器存儲空間和插入/查詢時(shí)間都是常數(shù)
Hash函數(shù)相互之間沒有關(guān)系，方便由硬件并行實(shí)現(xiàn)
布隆過濾器不需要存儲元素本身，在某些對保密要求非常嚴(yán)格的場合有優(yōu)勢
布隆過濾器可以表示全集，其它任何數(shù)據(jù)結(jié)構(gòu)都不能

缺點(diǎn)：

有一定的誤判率

常見的補(bǔ)救辦法是建立一個(gè)小的白名單，存儲那些可能被誤判的元素。但是如果元素?cái)?shù)量太少，使用散列表足矣。

一般情況下不能從布隆過濾器中刪除元素。

我們很容易想到把位列陣變成整數(shù)數(shù)組，每插入一個(gè)元素相應(yīng)的計(jì)數(shù)器加1，這樣刪除元素時(shí)將計(jì)數(shù)器減掉就可以了。然而要保證安全的刪除元素并非如此簡單。首先我們必須保證刪除的元素的確在布隆過濾器里面，這一點(diǎn)單憑這個(gè)過濾器是無法保證的。另外計(jì)數(shù)器回繞也會造成問題。

二、布隆過濾器的作用

布隆過濾器可以用于檢索一個(gè)元素是否在一個(gè)集合中，常用于解決如下問題

解決Redis緩存穿透
郵件過濾，使用布隆過濾器來做郵件黑名單過濾
解決視頻推薦過的不再推薦

三、布隆過濾器的基本原理

布隆過濾器的原理是，當(dāng)一個(gè)元素被加入集合時(shí)，通過K個(gè)散列函數(shù)將這個(gè)元素映射成一個(gè)位數(shù)組中的K個(gè)點(diǎn)，把它們置為1。

檢索時(shí)，我們只要看看這些點(diǎn)是不是都是1就（大約）知道集合中有沒有它了：如果這些點(diǎn)有任何一個(gè)0，則被檢元素一定不在；如果都是1，則被檢元素很可能在。這就是布隆過濾器的基本思想。

Bloom Filter跟單哈希函數(shù)Bit-Map不同之處在于：Bloom Filter使用了k個(gè)哈希函數(shù)，每個(gè)字符串跟k個(gè)bit對應(yīng)。從而降低了沖突的概率。

步驟：

首先，建立一個(gè)二進(jìn)制向量，并將所有位設(shè)置為0。
然后，選定K個(gè)散列函數(shù)，用于對元素進(jìn)行K次散列，計(jì)算向量的位下標(biāo)。
添加元素：當(dāng)添加一個(gè)元素到集合中時(shí)，通過K個(gè)散列函數(shù)分別作用于元素，生成K個(gè)值作為下標(biāo)，并將向量的相應(yīng)位設(shè)置為1。
檢查元素：如果要檢查一個(gè)元素是否存在集合中，用同樣的散列方法，生成K個(gè)下標(biāo)，并檢查向量的相應(yīng)位是否全部是1。如果全為1，則該元素很可能在集合中；否則（只要有1個(gè)或以上的位為0），該元素肯定不在集合中。

四、在Spring Boot中集成Redisson實(shí)現(xiàn)布隆過濾器

4.1 添加maven依賴

不再需要spring-boot-starter-data-redis依賴，但是都添加也不會報(bào)錯

<dependency>
    <groupId>org.redisson</groupId>
    <artifactId>redisson-spring-boot-starter</artifactId>
    <version>3.17.5</version>
</dependency>

4.2 配置yml

http://www.itdecent.cn/p/00ddb0187468

4.3 配置RedissonConfig

http://www.itdecent.cn/p/00ddb0187468

4.4 工具類BloomFilterUtil

import org.redisson.api.RBloomFilter;
import org.redisson.api.RedissonClient;
import org.springframework.stereotype.Component;

import javax.annotation.Resource;

/**
 * @Author: huangyibo
 * @Date: 2022/7/25 17:21
 * @Description:
 */

@Component
public class BloomFilterUtil {

    @Resource
    private RedissonClient redissonClient;

    /**
     * 創(chuàng)建布隆過濾器
     *
     * @param filterName         過濾器名稱
     * @param expectedInsertions 預(yù)測插入數(shù)量
     * @param falsePositiveRate  誤判率
     */
    public <T> RBloomFilter<T> create(String filterName, long expectedInsertions, double falsePositiveRate) {
        RBloomFilter<T> bloomFilter = redissonClient.getBloomFilter(filterName);
        bloomFilter.tryInit(expectedInsertions, falsePositiveRate);
        return bloomFilter;
    }
}

4.5 編寫service實(shí)現(xiàn)層

其它層正常編寫即可，與之前并無差別，此處不再展示

import org.redisson.api.RBloomFilter;
import org.redisson.api.RedissonClient;
import org.springframework.cache.annotation.CacheEvict;
import org.springframework.cache.annotation.CachePut;
import org.springframework.cache.annotation.Cacheable;
import org.springframework.stereotype.Service;

import javax.annotation.PostConstruct;
import javax.annotation.Resource;
import java.util.List;
import java.util.concurrent.TimeUnit;

/**
 * @Author: huangyibo
 * @Date: 2022/7/25 18:44
 * @Description:
 */

@Service
public class UserServiceImpl {

    // 預(yù)期插入數(shù)量
    static long expectedInsertions = 200L;
    // 誤判率
    static double falseProbability = 0.01;

    // 非法請求所返回的JSON
    static String illegalJson = "[\"com.company.springboot.entity.User\",{\"id\":null,\"userName\":\"null\",\"sex\":null,\"age\":null}]";

    private RBloomFilter<Long> bloomFilter = null;

    @Resource
    private BloomFilterUtil bloomFilterUtil;

    @Resource
    private RedissonClient redissonClient;

    @Resource
    private UserMapper userMapper;

    @PostConstruct // 項(xiàng)目啟動的時(shí)候執(zhí)行該方法，也可以理解為在spring容器初始化的時(shí)候執(zhí)行該方法
    public void init() {
        // 啟動項(xiàng)目時(shí)初始化bloomFilter
        List<User> userList = this.list();
        bloomFilter = bloomFilterUtil.create("idWhiteList", expectedInsertions, falseProbability);
        for (User user : userList) {
            bloomFilter.add(user.getId());
        }
    }

    @Cacheable(cacheNames = "user", key = "#id", unless = "#result==null")
    public User findById(Long id) {
        // bloomFilter中不存在該key,為非法訪問
        if (!bloomFilter.contains(id)) {
            System.out.println("所要查詢的數(shù)據(jù)既不在緩存中，也不在數(shù)據(jù)庫中，為非法key");
            /**
             * 設(shè)置unless = "#result==null"并在非法訪問的時(shí)候返回null的目的是不將該次查詢返回的null使用
             * RedissonConfig-->RedisCacheManager-->RedisCacheConfiguration-->entryTtl設(shè)置的過期時(shí)間存入緩存。
             *
             * 因?yàn)槟嵌螘r(shí)間太長了，在那段時(shí)間內(nèi)可能該非法key又添加到bloomFilter，比如之前不存在id為1234567的用戶，
             * 在那段時(shí)間可能剛好id為1234567的用戶完成注冊，使該key成為合法key。
             *
             * 所以我們需要在緩存中添加一個(gè)可容忍的短期過期的null或者是其它自定義的值,使得短時(shí)間內(nèi)直接讀取緩存中的該值。
             *
             * 因?yàn)镾pring Cache本身無法緩存null，因此選擇設(shè)置為一個(gè)其中所有值均為null的JSON，
             */
            redissonClient.getBucket("user::" + id, new StringCodec()).set(illegalJson, new Random().nextInt(200) + 300, TimeUnit.SECONDS);
            return null;
        }
        // 不是非法訪問，可以訪問數(shù)據(jù)庫
        System.out.println("數(shù)據(jù)庫中得到數(shù)據(jù)*****");
        return userMapper.selectById(id);
    }

    // 先執(zhí)行方法體中的代碼，成功執(zhí)行之后刪除緩存
    @CacheEvict(cacheNames = "user", key = "#id")
    public boolean delete(Long id) {
        // 刪除數(shù)據(jù)庫中具有的數(shù)據(jù),就算此key從此之后不再出現(xiàn)，也不能從布隆過濾器刪除
        return userMapper.deleteById(id) == 1;
    }

    // 如果緩存中先前存在，則更新緩存;如果不存在，則將方法的返回值存入緩存
    @CachePut(cacheNames = "user", key = "#user.id")
    public User update(User user) {
        userMapper.updateById(user);
        // 新生成key的加入布隆過濾器，此key從此合法,因?yàn)樵摳路椒ú⒉桓耰d,所以也不會產(chǎn)生新的合法的key
        bloomFilter.add(user.getId());
        return user;
    }

    @CachePut(cacheNames = "user", key = "#user.id")
    public User insert(User user) {
        userMapper.insert(user);
        // 新生成key的加入布隆過濾器，此key從此合法
        bloomFilter.add(user.getId());
        return user;
    }

}

注意：
redisson利用redis存儲，布隆過濾器生成數(shù)組，但是長度限制為 4 294 967 296 ，但是根據(jù)布隆過濾器的原理來看，生成的數(shù)組長度是沒有限制的，判斷應(yīng)該是redis String類型最大是512M所導(dǎo)致的限制。

五、在Spring Boot中集成RedisTemplate實(shí)現(xiàn)布隆過濾器

首先是pom.xml文件

加入我們這次使用redis & BloomFilter 的核心依賴包

<!--使用Redis-->
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-data-redis</artifactId>
</dependency>

<!--借助guava的布隆過濾器-->
<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>31.1-jre</version>
</dependency>

5.2 配置yml

spring:
  redis:
    database: 3
    host: 127.0.0.1
    port: 6379
    password: 12345
    jedis.pool.max-idle: 100
    jedis.pool.max-wait: -1ms
    jedis.pool.min-idle: 2
    timeout: 2000ms

5.3 RedisConfig.class

如果是一般的使用redis存字符串的話，使用StringRedisTemplate，就不需要配置序列化。

但是咱們這里使用的是RedisTemplate<String, Object> redisTemplate ，存儲的是對象，所以為了防止存入的對象值在查看的時(shí)候不顯示亂碼，就需要配置相關(guān)的序列化（其實(shí)我們存的bit結(jié)構(gòu)數(shù)據(jù)，布隆過濾器存值分分鐘都是百萬級別的，會因?yàn)閿?shù)據(jù)量太大redis客戶端也沒辦法顯示，不過不影響使用）。

import com.fasterxml.jackson.annotation.JsonAutoDetect;
import com.fasterxml.jackson.annotation.PropertyAccessor;
import com.fasterxml.jackson.databind.ObjectMapper;
import com.google.common.base.Charsets;
import com.google.common.hash.Funnel;
import org.springframework.cache.CacheManager;
import org.springframework.cache.annotation.EnableCaching;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.data.redis.cache.RedisCacheManager;
import org.springframework.data.redis.connection.RedisConnectionFactory;
import org.springframework.data.redis.core.RedisTemplate;
import org.springframework.data.redis.core.StringRedisTemplate;
import org.springframework.data.redis.serializer.Jackson2JsonRedisSerializer;

/**
 * @Author: huangyibo
 * @Date: 2022/7/25 19:00
 * @Description:
 */

@Configuration
@EnableCaching
public class RedisConfig {

    @Bean
    public CacheManager cacheManager(RedisConnectionFactory connectionFactory) {

        RedisCacheManager redisCacheManager = RedisCacheManager.create(connectionFactory);

        return redisCacheManager;
    }

    @Bean
    public RedisTemplate<String, Object> redisTemplate(RedisConnectionFactory factory) {
        RedisTemplate<String, Object> redisTemplate = new RedisTemplate<String, Object>();
        redisTemplate.setConnectionFactory(factory);

        Jackson2JsonRedisSerializer jackson2JsonRedisSerializer = new
                Jackson2JsonRedisSerializer(Object.class);
        ObjectMapper om = new ObjectMapper();
        om.setVisibility(PropertyAccessor.ALL, JsonAutoDetect.Visibility.ANY);
        om.enableDefaultTyping(ObjectMapper.DefaultTyping.NON_FINAL);
        jackson2JsonRedisSerializer.setObjectMapper(om);
        //序列化設(shè)置 ，這樣計(jì)算是正常顯示的數(shù)據(jù)，也能正常存儲和獲取
        redisTemplate.setKeySerializer(jackson2JsonRedisSerializer);
        redisTemplate.setValueSerializer(jackson2JsonRedisSerializer);
        redisTemplate.setHashKeySerializer(jackson2JsonRedisSerializer);
        redisTemplate.setHashValueSerializer(jackson2JsonRedisSerializer);

        return redisTemplate;
    }

    @Bean
    public StringRedisTemplate stringRedisTemplate(RedisConnectionFactory factory) {
        StringRedisTemplate stringRedisTemplate = new StringRedisTemplate();
        stringRedisTemplate.setConnectionFactory(factory);
        return stringRedisTemplate;
    }


    //初始化布隆過濾器，放入到spring容器里面
    @Bean
    public BloomFilterHelper<String> initBloomFilterHelper() {
        return new BloomFilterHelper<>((Funnel<String>) (from, into) -> into.putString(from, Charsets.UTF_8).putString(from, Charsets.UTF_8), 1000000, 0.01);
    }

}

5.4 BloomFilterHelper .calss：

import com.google.common.base.Preconditions;
import com.google.common.hash.Funnel;
import com.google.common.hash.Hashing;

/**
 * @Author: huangyibo
 * @Date: 2022/7/25 18:59
 * @Description:
 */

public class BloomFilterHelper<T> {

    private int numHashFunctions;

    private int bitSize;

    private Funnel<T> funnel;

    public BloomFilterHelper(Funnel<T> funnel, int expectedInsertions, double fpp) {
        Preconditions.checkArgument(funnel != null, "funnel不能為空");
        this.funnel = funnel;
        // 計(jì)算bit數(shù)組長度
        bitSize = optimalNumOfBits(expectedInsertions, fpp);
        // 計(jì)算hash方法執(zhí)行次數(shù)
        numHashFunctions = optimalNumOfHashFunctions(expectedInsertions, bitSize);
    }

    public int[] murmurHashOffset(T value) {
        int[] offset = new int[numHashFunctions];

        long hash64 = Hashing.murmur3_128().hashObject(value, funnel).asLong();
        int hash1 = (int) hash64;
        int hash2 = (int) (hash64 >>> 32);
        for (int i = 1; i <= numHashFunctions; i++) {
            int nextHash = hash1 + i * hash2;
            if (nextHash < 0) {
                nextHash = ~nextHash;
            }
            offset[i - 1] = nextHash % bitSize;
        }

        return offset;
    }

    /**
     * 計(jì)算bit數(shù)組長度
     */
    private int optimalNumOfBits(long n, double p) {
        if (p == 0) {
            // 設(shè)定最小期望長度
            p = Double.MIN_VALUE;
        }
        int sizeOfBitArray = (int) (-n * Math.log(p) / (Math.log(2) * Math.log(2)));
        return sizeOfBitArray;
    }

    /**
     * 計(jì)算hash方法執(zhí)行次數(shù)
     */
    private int optimalNumOfHashFunctions(long n, long m) {
        int countOfHash = Math.max(1, (int) Math.round((double) m / n * Math.log(2)));
        return countOfHash;
    }
}

5.5 RedisBloomFilter.class

然后是具體的布隆過濾器配合redis使用的方法類

import com.google.common.base.Preconditions;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.data.redis.core.RedisTemplate;
import org.springframework.stereotype.Component;

/**
 * @Author: huangyibo
 * @Date: 2022/7/25 19:02
 * @Description:
 */

@Component
public class RedisBloomFilter<T> {

    @Autowired
    private RedisTemplate<String, T> redisTemplate;

    /**
     * 根據(jù)給定的布隆過濾器添加值
     */
    public <T> void addByBloomFilter(BloomFilterHelper<T> bloomFilterHelper, String key, T value) {
        Preconditions.checkArgument(bloomFilterHelper != null, "bloomFilterHelper不能為空");
        int[] offset = bloomFilterHelper.murmurHashOffset(value);
        for (int i : offset) {
            System.out.println("key : " + key + " " + "value : " + i);
            redisTemplate.opsForValue().setBit(key, i, true);
        }
    }

    /**
     * 根據(jù)給定的布隆過濾器判斷值是否存在
     */
    public <T> boolean includeByBloomFilter(BloomFilterHelper<T> bloomFilterHelper, String key, T value) {
        Preconditions.checkArgument(bloomFilterHelper != null, "bloomFilterHelper不能為空");
        int[] offset = bloomFilterHelper.murmurHashOffset(value);
        for (int i : offset) {
            System.out.println("key : " + key + " " + "value : " + i);
            if (!redisTemplate.opsForValue().getBit(key, i)) {
                return false;
            }
        }
        return true;
    }

}

六、在Spring Boot中使用lua腳本的集成RedisTemplate實(shí)現(xiàn)布隆過濾器

bf_add.lua

local bloomName = KEYS[1]
local value = KEYS[2]
local result = redis.call('BF.ADD',bloomName,value)
return result

bf_exist.lua

local bloomName = KEYS[1]
local value = KEYS[2]
 
local result = redis.call('BF.EXISTS',bloomName,value)
return result

實(shí)現(xiàn)代碼

@Service
public class RedisBloomFilterService {
 
    @Autowired
    private RedisTemplate redisTemplate;
 
    //我們依舊用剛剛的那個(gè)過濾器
    public static final String BLOOMFILTER_NAME = "test-bloom-filter";
 
    /**
     * 向布隆過濾器添加元素
     * @param str
     * @return
     */
    public Boolean bloomAdd(String str) {
        DefaultRedisScript<Boolean> LuaScript = new DefaultRedisScript<Boolean>();
        LuaScript.setScriptSource(new ResourceScriptSource(new ClassPathResource("bf_add.lua")));
        LuaScript.setResultType(Boolean.class);
        //封裝傳遞腳本參數(shù)
        List<String> params = new ArrayList<String>();
        params.add(BLOOMFILTER_NAME);
        params.add(str);
        return (Boolean) redisTemplate.execute(LuaScript, params);
    }
 
    /**
     * 檢驗(yàn)元素是否可能存在于布隆過濾器中 * @param id * @return
     */
    public Boolean bloomExist(String str) {
        DefaultRedisScript<Boolean> LuaScript = new DefaultRedisScript<Boolean>();
        LuaScript.setScriptSource(new ResourceScriptSource(new ClassPathResource("bf_exist.lua")));
        LuaScript.setResultType(Boolean.class);
        //封裝傳遞腳本參數(shù)
        ArrayList<String> params = new ArrayList<String>();
        params.add(BLOOMFILTER_NAME);
        params.add(String.valueOf(str));
        return (Boolean) redisTemplate.execute(LuaScript, params);
    }
}

參考：
https://blog.csdn.net/dreaming9420/article/details/124153422

https://developer.aliyun.com/article/951745

https://www.cnblogs.com/woshixiangshang/p/11412474.html

https://blog.csdn.net/wuliang20/article/details/122874716

https://blog.csdn.net/qq_14855971/article/details/123650368

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

Spring Boot集成Redisson布隆過濾器

Spring Boot集成Redisson布隆過濾器

一、什么是布隆過濾器

哈希函數(shù)的特點(diǎn)：

優(yōu)點(diǎn)：

缺點(diǎn)：

二、布隆過濾器的作用

三、布隆過濾器的基本原理

四、在Spring Boot中集成Redisson實(shí)現(xiàn)布隆過濾器

4.1 添加maven依賴

4.2 配置yml

4.3 配置RedissonConfig

4.4 工具類BloomFilterUtil

4.5 編寫service實(shí)現(xiàn)層

五、在Spring Boot中集成RedisTemplate實(shí)現(xiàn)布隆過濾器

首先是pom.xml文件

5.2 配置yml

5.3 RedisConfig.class

5.4 BloomFilterHelper .calss：

5.5 RedisBloomFilter.class

六、在Spring Boot中使用lua腳本的集成RedisTemplate實(shí)現(xiàn)布隆過濾器

bf_add.lua

bf_exist.lua

實(shí)現(xiàn)代碼

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九 欧美,1769亚洲,黄色成人av

Spring Boot集成Redisson布隆過濾器

一、 什么是布隆過濾器

哈希函數(shù)的特點(diǎn)：

優(yōu)點(diǎn)：

缺點(diǎn)：

二、布隆過濾器的作用

三、布隆過濾器的基本原理

四、在Spring Boot中集成Redisson實(shí)現(xiàn)布隆過濾器

4.1 添加maven依賴

4.2 配置yml

4.3 配置RedissonConfig

4.4 工具類BloomFilterUtil

4.5 編寫service實(shí)現(xiàn)層

五、在Spring Boot中集成RedisTemplate實(shí)現(xiàn)布隆過濾器

首先是pom.xml文件

5.2 配置yml

5.3 RedisConfig.class

5.4 BloomFilterHelper .calss：

5.5 RedisBloomFilter.class

六、在Spring Boot中使用lua腳本的集成RedisTemplate實(shí)現(xiàn)布隆過濾器

bf_add.lua

bf_exist.lua

實(shí)現(xiàn)代碼

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

一、什么是布隆過濾器

二、布隆過濾器的作用

三、布隆過濾器的基本原理

四、在Spring Boot中集成Redisson實(shí)現(xiàn)布隆過濾器

五、在Spring Boot中集成RedisTemplate實(shí)現(xiàn)布隆過濾器

六、在Spring Boot中使用lua腳本的集成RedisTemplate實(shí)現(xiàn)布隆過濾器