前言
在好早之前，我在看面试宝典的时候，关于预防缓存雪崩，其中有一个解决方案就是在缓存前面增加布隆过滤器，时至今日，我依然清晰地记着布隆过滤器，但是却不曾深入的了解它，所以今天我想花一点时间来详细了解下布隆过滤器。
布隆过滤器什么是布隆过滤器？
简单来说，布隆过滤器是一种算法，用于判断某个值是否在一个集合中。
通常来说，我们要判断一个值是否存在集合中，我们是需要将目标值和集合中的每个值进行比较，最终确定是否包含，这样的缺点也很明显，如果数据量本身很庞大的话，我们需要存储的数据量会很多，而且比较的时候也会比较耗时。
相比而言，布隆过滤器的设计就独特了很多，它通过一个Hash函数将一个元素映射成一个位阵列（Bit array）中的一个点。这样一来，我们只要看看这个点是不是1就可以知道集合中有没有它了，这就是布隆过滤器的基本思想。
但是Hash面临的最大问题就是hash冲突。假设Hash函数是良好的，如果我们的位阵列长度为m个点，那么如果我们想将冲突率降低到例如 1%，这个散列表就只能容纳m / 100个元素。显然这就不叫空间效率了（Space-）了。解决方法也简单，就是使用多个Hash，如果它们有一个说元素不在集合中，那肯定就不在。如果它们都说在，虽然也有一定可能性它们在说谎，不过直觉上判断这种事情的概率是比较低的，这个概率我们通常称之为误差率。
所以，简单总结下，布隆过滤器其实就是通过hash来描述一个数据，然后保存该数据的hash值，从而实现数据的判断，但是由于hash的冲突（具体取决于hash表的大小），会导致数据的误判，所以本质上我们布隆过滤器的误判是由于hash表的有限性。
关于hash
hash算法我这里不打算展开（目前我也不是很熟悉i），但是我这里想要通过一个简单的示例，来解释下什么是hash。
我们小学二年级的时候，学过平面上两个坐标可以确定唯一一个点（坐标），而我们判断两个点是否是同一个点，是可以通过坐标对比来实现，而hash算法其实本身就相当于一套坐标系，通过这套坐标系理论上我们是可以描述所有数据，且可以确定数据的唯一性（当然具体取决于hash表大小）。
另外一种hash的典型应用就是我们的身份证，每个人的身份证号就是我们每个人的hash code，通过这个hash code就可以在14亿人中确定唯一的你，所以身份证号算法就是一种类似于hash的算法。
博隆过滤器的应用
上面其实我们已经列举了博隆过滤器的典型应用场景——校验某个数据是否存在，所以我们经常把他用在一些需要进行数据否存在的校验上，最典型的就是用在缓存的key的判断上，作为缓存系统最后的屏障。
在通常的系统开发中java关键字过滤算法 what? 还不知道布隆过滤器吗？，我们经常要用到缓存组件，而缓存中最核心的一个场景就是查询，而缓存查询中操作频次最高就是判断某个key是否存在，正常情况下简单的业务判断是没有问题的，就算批量很大，也不会出现大批量key不存在的情况，但是如果遇到恶意攻击时，一切都变得不那么确定了，比如有人发送大量恶意请求专门查询不存在的key，这时候就会导致Redis服务不可用，从而导致缓存雪崩。
这时候如果我们用了布隆过滤器这样的组件，这样的问题就不会影响如此严重，因为布隆过滤器可以帮我们屏蔽到绝大多数的请求，从而降低redis雪崩的风险。
关于布隆过滤器的实现，网上其实有很多实现，但最典型的当属guava包中提供的。要说guava真是个好用的工具包，提供了各种各样好用的工具，比如限流组件、容器组件以及今天我们分享的布隆过滤器，下面我们看下如何使用：
由于的构造方案是私有的，所以我们没有办法通过new的方式实例化，但是官方提供了实例化的方式——方法：
其他的方法都是在此基础上做的封装java关键字过滤算法，所以我们只简单分析上面这个方法。
这个方案有四个参数：
下面是一个简单的示例
<p><pre style="box-shadow: rgba(170, 170, 170, 0.48) 0px 0px 6px 0px;max-width: 100%;border-radius: 4px;margin-top: 10px;margin-right: auto;margin-left: auto;">public class BloomFilterTest { public static void main(String[] args) { Funnel charSequenceFunnel = Funnels.stringFunnel(Charset.defaultCharset()); String test = "hello"; BloomFilter bloomFilter = BloomFilter.create(charSequenceFunnel, 100); for (int i = 0; i