網(wǎng)頁消重中多維布隆過濾器算法的運(yùn)用
布隆過濾器的原理，通過對原理、實(shí)現(xiàn)步驟進(jìn)行分析，得出此算法在網(wǎng)頁消重中的作用以及缺陷，以下是小編搜集整理的一篇探究網(wǎng)頁消重中多維布隆過濾器算法運(yùn)用的論文范文，歡迎閱讀查看。
引言
進(jìn)入21世紀(jì)以后，隨著電子計算機(jī)以及相關(guān)技術(shù)的迅猛發(fā)展和網(wǎng)絡(luò)通信設(shè)備的大量普及，互聯(lián)網(wǎng)的總體規(guī)模日益增大，日新月異的互聯(lián)網(wǎng)技術(shù)以及海量的互聯(lián)網(wǎng)信息也促進(jìn)了社會、經(jīng)濟(jì)和科技的高速發(fā)展，增加了人們獲取信息的渠道和速度。根據(jù)2015年11月的最新數(shù)據(jù)，互聯(lián)網(wǎng)上活動網(wǎng)站的數(shù)量達(dá)到了902,997,800個[1].網(wǎng)站的快速增長同時也意味著互聯(lián)網(wǎng)中信息的急速膨脹，這些信息有些是有用的、有些是沒用的、有些甚至完全是一些垃圾頁面。面對由于互聯(lián)網(wǎng)信息爆炸帶來的信息孤島、信息搜集困難等現(xiàn)象，人們發(fā)明了搜索引擎[2-4]以解決人們快速在互聯(lián)網(wǎng)中找到所求的需求。但是，由于搜索引擎的采集器是由程序自動運(yùn)行的，所以在抓取網(wǎng)頁信息的同時，也會收集到很多重復(fù)網(wǎng)頁。因此，如果沒有一個高效的URL去重模塊，用以防止系統(tǒng)對已經(jīng)抓取過的網(wǎng)頁進(jìn)行重復(fù)抓取，浪費(fèi)寶貴的網(wǎng)絡(luò)帶寬和CPU時間，網(wǎng)絡(luò)爬蟲系統(tǒng)必將不堪重負(fù)。
在眾多的URL去重技術(shù)中[5-7],布隆過濾器(BloomFilter)[8]是其中優(yōu)秀的一個，而其主要缺點(diǎn)在于較高的誤識別率，但若使用多維布隆過濾器進(jìn)行識別，可以大大降低誤識別率。本文充分利用多維布隆過濾器查詢快速、資源占有量少的特點(diǎn)，提出一種基于多維布隆過濾器的網(wǎng)頁搜索去重方法，并給出程序設(shè)計方案及偽代碼描述。
1布隆過濾器
在互聯(lián)網(wǎng)中，要查找一個URL是否己經(jīng)被抓取過，首先會想到的方法就是建立一個已抓取URL集合，然后查找新的URL是否存在已抓取URL集合中，如果用普通的順序查找法，效率顯然很低。而另一個比較簡單的辦法是采取傳統(tǒng)的hash方法，即把每個URL看成一個元素，這就需要把每個元素存儲在hash表中。在每次發(fā)現(xiàn)一個新的元素時，首先會通過hash函數(shù)計算出這個元素的對應(yīng)位置，之后使用這個位置的元素與這個新元素進(jìn)行對比，如果兩者相同，就說明這個新元素是重復(fù)的，反之則說明這個新元素是還未保存過的。傳統(tǒng)的hash方法不會發(fā)生錯誤，而且存在于hash表中的數(shù)據(jù)也可以隨時刪除。但是，對于網(wǎng)頁去重來說，只需判斷一個特定的元素是否存在于集合中。因此，使用hash表保存下整個URL的內(nèi)容會造成很大的內(nèi)存浪費(fèi)，然而內(nèi)存資源有限，顯然傳統(tǒng)的hash方法不能很好的滿足需求。
布隆過濾器[9-11]是由HowardBloom在1970年提出的。他僅使用了一系列的bit位來保存數(shù)據(jù)，就可以檢測一個元素是否已經(jīng)存在于集合內(nèi)，因此這種算法有著很好的空間利用率。但是為了節(jié)約空間，這種算法也存在著一些問題，它會對元素產(chǎn)生錯判。不過慶幸的是，這個算法只會對在集合內(nèi)的元素產(chǎn)生錯判，但是并不會對不在集合內(nèi)的元素產(chǎn)生錯判。也就是說，如果布隆過濾器返還的結(jié)果如果是false,說明元素確實(shí)不在集合內(nèi);如果返還的是ture,只能說明元素可能存在于集合中。因此布隆過濾器實(shí)際上是一種犧牲了正確率換取時間和空間的算法。
1.1布隆過濾器介紹
布隆過濾器的原理如下[12]:一個布隆過濾器由k個相互獨(dú)立的哈希函數(shù)h1,h2,…，hk(k值域?yàn)閇0,1,2,…，m],是整數(shù))和一個位向量組成，初始時，位向量內(nèi)全部為0.當(dāng)需要插入一個新數(shù)據(jù)時，用k個哈希函數(shù)對n個數(shù)據(jù)對象的集合S={sl,s2,…，sn}(m>n)的某個數(shù)據(jù)對象計算一個地址序(hi(s1)，h2(sl)，…，hk(sl))，然后將位向量對應(yīng)地址序列的位置置為1,稱該位向量裝入了s1.
對于查詢某個數(shù)據(jù)對象s2是否存在于集合時，同樣先檢查表示s2的位向量對應(yīng)該數(shù)據(jù)對象地址序列的位，如果均為1,則該數(shù)據(jù)對象屬于位向量集，否則不屬于位向量集。但是，即使是采用均勻的哈希函數(shù)，并且使用了多個不同的hash函數(shù)，地址沖突也是不能避免的，因此布隆過濾器算法可能對位向量中的同一個位多次置1.所以在進(jìn)行數(shù)據(jù)查詢時可能出現(xiàn)錯判。關(guān)于布隆過濾器算法的缺點(diǎn)，會在1.3做詳細(xì)討論。
由以上分析可知，當(dāng)布隆過濾器算法用于URL去重時，由于每個地址不需要存儲URL內(nèi)容，只需存儲1或0.因此，每個地址只需要一個bit的空間。在每次網(wǎng)絡(luò)爬蟲得到一個新的URL的時候，會先判斷這個元素是否屬于集合，此時會對該元素重新進(jìn)行多次哈希，當(dāng)哈希后所得的對應(yīng)位置都為1時，就判斷該元素已經(jīng)存在于集合中。那么就拋棄這個URL,反之，就保存這個URL,并且更新集合信息。具體原理圖如下圖1.
1.2布隆過濾器的優(yōu)點(diǎn)
布隆過濾器的優(yōu)點(diǎn)是空間效率和查詢時間都遠(yuǎn)遠(yuǎn)超過一般的算法。在占用空間上，布隆過濾器只需要哈希表1/8~1/4的大小就能解決同樣的問題[13];更重要的是，在時間復(fù)雜度方面，布隆過濾器的查找時間為常數(shù)，不隨過濾器增大而變慢。
1.3布隆過濾器的缺點(diǎn)
由以上分析可知，布隆過濾器算法比起普通算法，在時間和空間利用率上有著明顯的優(yōu)勢，但是布隆過濾器算法也并非十全十美的，他存在著以下問題：
(1)因?yàn)槔霉潭ǖ膆ash函數(shù)，并且得到的存儲結(jié)果僅僅是某個槽號，因此查找的時間是個常數(shù)，但是每個槽中存儲的不是實(shí)際url,因此，可能會出現(xiàn)某個url映像的幾個位置都己經(jīng)被其他url占據(jù)的情況，產(chǎn)生錯判。
(2)因?yàn)橐粋�url對應(yīng)多個槽，而且這些槽是可以重復(fù)利用的，因此不用處理沖突。但是正因?yàn)槿绱嗽撍惴ú荒茈S便刪除某個已經(jīng)存在的url,否則會出錯。
2一種改進(jìn)布隆過濾器算法
根據(jù)上文提及到的，布隆過濾器的缺點(diǎn)是其誤識別率，因此，如何在不降低判別性能的前提下降低布隆過濾器的誤識別率就是研究的主要方向，本文基于此目的提出了一種改進(jìn)的布隆過濾器算法，稱為多維布隆過濾器。
2.1基本思想
多維布隆過濾器的基本想法是，通過使用S組位向量來表達(dá)數(shù)據(jù)集合，每組位向量對應(yīng)k個hash函數(shù)，每組位向量包含2個位向量，其中一個是N位大小的V1,另一個是N/k位大小的V2,每組hash函數(shù)劃分到兩部分k1和d2,用于V1映射的是k1,用于V2映射的是d2.
插入元素時，對于每組位向量，k1把該元素映射到V1中并在V1對應(yīng)位置置1,k2把數(shù)據(jù)元素映射到V2中并在V2對應(yīng)位置置1.判定元素時，分別檢查經(jīng)過每組的hash函數(shù)k1和k2的映射后，V1和V2的相關(guān)位置是否為1,若有一組位向量全為1,則認(rèn)為該元素屬于集合。
2.2性能分析
分析上述算法，可以看出來，多維布隆過濾器實(shí)際上是由多組基本的布隆過濾器構(gòu)成的。每個布隆過濾器都作為多維布隆過濾器的一部分，參加整體運(yùn)算。
因此，這里可以得到每組兩個位向量的誤識別率為：
由公式可知，在s,k,n這些參數(shù)一致的情況下，多維布隆過濾器同標(biāo)準(zhǔn)布隆過濾器相比，具有較低的誤判率，并且維數(shù)越高，誤判率越低。
不同維度的過濾器在搜索去重中處于并行工作的狀態(tài)，因此，基于此技術(shù)應(yīng)用實(shí)現(xiàn)的多維布隆過濾器引擎查詢時間和標(biāo)準(zhǔn)布隆過濾器引擎查詢時間相等。
多維布隆過濾器引擎每一維都使用了2個標(biāo)準(zhǔn)的布隆過濾器引擎，參數(shù)一致的情況下，占用的存儲空間是標(biāo)準(zhǔn)的布隆過濾器引擎的2S倍。
但是當(dāng)維數(shù)過多時，要讓每一個維度都處于并行工作狀態(tài)對CPU要求較高，而且維數(shù)越多，對存儲空間的需求也就越大。
3應(yīng)用與評價
對于上面章節(jié)討論的改進(jìn)布隆過濾器算法-多維布隆過濾器算法的理論研究，我們?nèi)孕枰M(jìn)行大量的實(shí)驗(yàn)對其進(jìn)行驗(yàn)證。本論文設(shè)計實(shí)現(xiàn)程序，從而模擬了兩種算法，進(jìn)而通過實(shí)驗(yàn)對兩種算法的性能進(jìn)行比較。
3.1實(shí)驗(yàn)評價標(biāo)準(zhǔn)
為了能夠更加直觀的對比試驗(yàn)結(jié)果，試驗(yàn)根據(jù)重復(fù)網(wǎng)頁對搜索引擎的影響制定了以下三個主要的比較數(shù)據(jù)。他們是：
(1)運(yùn)行速度：在一定抓取范圍內(nèi)，每種算法完成所用的時間。因?yàn)閷?shí)際運(yùn)用中網(wǎng)頁數(shù)量過于龐大，因此這里設(shè)定一個固定時間，在這段時間內(nèi)抓取到非重復(fù)URL的數(shù)量越多，則算法運(yùn)行的速度越快。
速度=非重復(fù)URL數(shù)量/時間
(2)重復(fù)率：也就是在第二章提到的重要評價指標(biāo)。
重復(fù)率=重復(fù)的URL/抓取到的URL總數(shù)
(3)空間利用率：用于去重的位向量組所占空間。
用Bit為單位。
3.2實(shí)驗(yàn)步驟
本實(shí)驗(yàn)使用Heritrix作為爬蟲，主要抓取一些時事新聞。因此，實(shí)驗(yàn)首先抓取幾個常用的門戶網(wǎng)站頁面做基礎(chǔ)。本論文中是先抓取的新浪，網(wǎng)易，騰訊，搜狐。之后在百度里搜索某個新聞關(guān)鍵詞做為基礎(chǔ)。
開始抓取搜索到的網(wǎng)頁。之后分別使用三種不同的算法，在抓取范圍相同的前提下，設(shè)定時間為1小時。
并且，為了實(shí)驗(yàn)數(shù)據(jù)更加準(zhǔn)確，本實(shí)驗(yàn)為每種算法設(shè)置不同的可選參數(shù)來驗(yàn)證前面的結(jié)論，具體如下：
●布隆過濾器：hash函數(shù)個數(shù)k;向量空間大小N
●多維布隆過濾器：每組hash函數(shù)個數(shù)k;向量空間大小N;向量維度S
3.3結(jié)果與分析
對于實(shí)驗(yàn)結(jié)果，我們首先對比多維布隆過濾器中，在k=4,N=150時，不同向量維度S下的誤識別率變化，如圖2所示。
從圖4.5中，我們可以得到結(jié)論，誤識別率隨著S值的增加而減小。S值增加往往意味著，多維布隆過濾器算法所需的空間大小也相應(yīng)提高，所以，在實(shí)際中，我們一般取S的值小于4.
隨后，我們固定S=4,k=4,對比標(biāo)準(zhǔn)布隆過濾器和多維布隆過濾器在位向量空間變化時的誤識別率，如圖3所示。
由上圖可得，多維布隆過濾器和標(biāo)準(zhǔn)布隆過濾器的誤識別率隨著位向量空間的增加一直降低，而且多維布隆過濾器誤識別率相比標(biāo)準(zhǔn)過濾器一直都要低。
最后，我們固定S=4,N=150,對比標(biāo)準(zhǔn)布隆過濾器和多維布隆過濾器在hash函數(shù)數(shù)量k變化時的誤識別率，如圖4所示。
從圖4中，我們可以得到結(jié)論，誤識別率隨著k值的增加而減小。k值增加往往意味著，hash算法所需的運(yùn)算時間也相應(yīng)提高，所以，在實(shí)際中，我們一般取k的值小于4.
綜上，通過實(shí)驗(yàn)可以得到結(jié)論，hash函數(shù)數(shù)量以及位向量空間大小都可以影響布隆過濾器和多維布隆過濾器的誤識別率，向量的維度也可以影響多維布隆過濾器的誤識別率。并且，在相同hash函數(shù)數(shù)量或向量空間大小時，多維布隆過濾器的誤識別率均低于布隆過濾器。
4結(jié)語
本文詳細(xì)闡述了布隆過濾器的原理，通過對原理、實(shí)現(xiàn)步驟進(jìn)行分析，得出此算法在網(wǎng)頁消重中的作用以及缺陷。此后，根據(jù)布隆過濾器存在的誤識別率的缺點(diǎn)，本文提出了一種改進(jìn)的布隆過濾器算法--多維布隆過濾器，降低了傳統(tǒng)布隆過濾器算法的誤識別率。實(shí)驗(yàn)結(jié)果表明：多維布隆過濾器的誤識別率要顯著低于傳統(tǒng)的布隆過濾器算法，能夠顯著提高網(wǎng)頁消重的性能。
參考文獻(xiàn)
[1]Netcraft.November2015WebServerSurvey[OL].[2015-11-16].
[2]阮衛(wèi)華。搜索引擎優(yōu)化技術(shù)的研究與實(shí)現(xiàn)[J].軟件，2014,35(7)：72-77
[3]鄭曉健。面向領(lǐng)域主題的智能搜索引擎設(shè)計[J].軟件，2014,35(3)：4-5
[4]郭世龍，王晨升。主題爬蟲設(shè)計與實(shí)現(xiàn)[J].軟件，2013,34(12)：107-109
[5]ManberU.Findingsimilarfilesinalargefilesystem[A].ProceedingsoftheUSENIXwinter1994technicalconference[C].1994,1.
【網(wǎng)頁消重中多維布隆過濾器算法的運(yùn)用】相關(guān)文章：
asp技術(shù)在交互式網(wǎng)頁設(shè)計中的運(yùn)用03-27
網(wǎng)頁模糊歸類算法的應(yīng)用與實(shí)現(xiàn)03-19
探析格式塔理論在網(wǎng)頁界面設(shè)計中的運(yùn)用03-18
淺論格式塔理論在網(wǎng)頁界面設(shè)計中的運(yùn)用03-19
多維視角中的獨(dú)白與對話透視03-23
作業(yè)成本計算法與傳統(tǒng)成本計算法的比較與運(yùn)用03-22