在高并发程序中，我们经常面临这样的挑战：如何快速判断一个元素是否存在于海量数据集合中？传统方案如数据库查询、Redis 缓存查询虽然可行，但在面对缓存穿透恶意请求攻击海量数据去重黑名单过滤等场景时性能瓶颈和资源消耗问题尤为突出。按理说，

布隆过滤器顺势出现——一种空间效率极高的概率型数据结构最大的特点是：

• 如果判断一个元素“不存在”。那么它一定不存在，
• 如果判断“存在”，则可能存在。

它能在常数时间内完成存在性判断，且内存消耗极低。话说回来，虽然会产生假阳性，但其“宁可错放。绝不漏判”的特性，使其成为程序防护的第一道防线。不过，

一、布隆过滤器主要原理

基本概念

布隆过滤器是 1970 年由 Burton Howard Bloom 提出的一种空间效率极高的概率型数据结构用于快速判断一个元素是否在集合中。

主要组成

• 位数组长度为 m 的二进制数组，初始全部为 0。
• 哈希函数组K 个独立哈希函数，每个函数把元素映射到位数组的某个位置。

工作流程

添加元素：

1. 使用 K 个哈希函数计算出 K`个数组下标。
2. 将这些下标对应的位从 0 设为 1。

查询元素：

1. 一样使用 K 个哈希函数得到下标。
2. If all bits are **1** → “可能存在”。
3. If any bit is **0** → “一定不存在”。怎么说呢，

关键特性

误判率公式

The false‑positive probability 

p ≈ ^{k}

• M = m 
• N = n 
• K = k 

You can compute optimal values of MKPₜₐᵣ₉ₑₜ​= p​.

二、Redis 中的布隆过滤器实现

RedisBloom 模块

# Docker
docker run -p 6379:6379 --name redis-redisbloom redislabs/rebloom:latest
# 手动编译
git clone https://github.com/RedisBloom/RedisBloom.git
cd RedisBloom
make
redis-server --loadmodule ./redisbloom.so

常用命令示例：

# 创建过滤器
BF.RESERVE user_filter 0.001 1000000
# 添加单个元素
BF.ADD user_filter "user:12345"
# 批量添加
BF.MADD user_filter "user:12346" "user:12347"
# 判断是否可能存在
BF.EXISTS user_filter "user:12345" # 返回 1 → 可能存在
BF.EXISTS user_filter "user:99999" # 返回 0 → 一定不存在
# 查看过滤器信息
BF.INFO user_filter

Redisson 客户端实现