一:布隆過濾器簡介：

　　Bloom Filter是一種空間效率很高的隨機資料結構，它利用位陣列很簡潔地表示一個集合，並能判斷一個元素是否屬於這個集合。Bloom Filter的這種高效是有一定代價的：在判斷一個元素是否屬於某個集合時，有可能會把不屬於這個集合的元素誤認為屬於這個集合（false positive）。因此，Bloom Filter不適合那些“零錯誤”的應用場合。而在能容忍低錯誤率的應用場合下，Bloom Filter通過極少的錯誤換取了儲存空間的極大節省。

二：優勢和劣勢

1：優勢：

①：僅僅保留資料的指紋資訊，空間效率極高

②：資訊保安性極高

③：查詢效率極高，時間複雜度為O(N)

2：劣勢 ：

①：存在一定的誤判

②：刪除資料困難

三：常用API總結：

引入Google的guava java API包，常用方法有：create(Funnel<? super T> funnel, int expectedInsertions, double fpp)； put(T object)； mightContain(T object) ； 

四：使用場景： 

　　布隆過濾器在redis叢集的上一步，主要是判斷資料是否存在於布隆過濾器中，這樣減少對redis伺服器的壓力。布隆過濾器其原理就是把大資料量載入到記憶體中，判斷資料是否存在。大資料量載入到記憶體中，這樣容易導致OOM。一般是在應用啟動的時候，進行初始化把資料載入到布隆過濾器中。布隆過濾器所需要佔記憶體公式為：設bit陣列大小為m，樣本數量為n，失誤率為p。由題可知 n = 500萬，p = 3%（Google布隆過濾器預設為3%，我們也可以修改），公式為：

五：與redis伺服器整合：

&n