如何快速判断一个用户是否访问过我们的 APP？-技术圈

牙哥好久没更新公众号了，后面尽量多更，不关注阅读量，不关注新增和取关，希望你还在！

背景

牙哥所在部门是做广告系统的，所在小组主要做广告外投，即下图中 DSP 部分，当用户浏览媒体时，媒体通过 SSP 将曝光请求通过 ADX 发送给 DSP，DSP 通过 DMP 进行人群定向，对目标人群进行广告竞价，更好地为广告主带来收益

DSP背景介绍

如何筛选优质流量是个难题，我们也在不断探索，现在想在程序入口让访问过我们 APP 的用户的这种流量（这种流量下面称作 RT 流量）优先通过筛选，但我们的程序入口 QPS 约 40w，且去重后的 RT 用户数是亿级别，假设 3 亿吧，用户信息是 32 位的字符串，如何快速判断一个用户是否访问过我们的 APP 呢？如果让你来设计，你打算怎么做？欢迎在留言区说出你的方案，和牙哥一起探讨

分析

判断一个对象是否存在一般可以采用哈希表的方式，检索的平均时间复杂度是 O(1)，但是哈希表比较耗内存，3 亿个 32 字节的数据占用约 9G （32 byte * 3 亿/1024/1024/104）的内存,，所以这种方案不太适合我们的场景。

节省内存的方式有位图 BitMap 和布隆过滤器 BloomFilter 两种方式，其实 BloomFilter 是对 BitMap 的一种改进

先简单介绍下 BitMap

BitMap 是以 bit 为单位构建的数组，非常节省内存，假设用户的 ID 是 1，那么就把索引为 1 的 bit 数组置为 1，其余位置默认为 0，如下图所示

BitMap简介

BitMap 通过数组下标来定位数据，Java 没有支持表示二进制数据的类型，可以通过 char 类型的数组通过或运算来达到目的，访问效率很快，检索的时间复杂度是 O(1)。但我们的数据不适合直接使用 BitMap ，原因如下：

BitMap 不适合数字范围过大，因为数组的长度必须大于 ID 的上限，如果数组范围是 3 亿，BitMap 的大小是 3 亿个二进制位，大约占用 36MB （3亿/8/1024/1024）左右的内存空间，注意这里假设 ID 是连续的，所以使用场景是是受限的

我们通过设备号来识别用户，并将设备号处理成 32 位的字符串，这显然不符合连续 ID 的假设，那想要使用 BitMap 该怎么做？

这就需要一个映射表来做支持，<设备号,ID>，映射表可以使用 Redis，在流量过来后，先根据设置号查询映射表拿到 ID，然后再从 BitMap 中判断用户是否存在，流程如下图所示：

用Redis存映射信息的方案1

现在我们再看下这个方案，既然已经在 Redis 中存储了映射信息了，那根据 ID 通过 BitMap 来判断是否存在貌似是多余的，因为如果映射表中存在，说明用户就存在呀，不需要再多做一个判断了，再改一版，直接把设备信息存到 Redis 中

用Redis存储设备信息

这种方案就是把占用的内存转移到了外部存储，这样 Redis 也占用内存呀，怎么办？

Redis 也是支持布隆过滤器的，不直接存储设备信息，改为用布隆过滤器（布隆过滤器原理后面聊）来存，可以节省内存

Redis布隆过滤器

这种方案貌似可以解决我们的问题了，但是多了一次网络 IO，，我们的系统对响应时间要求高，所以带有网络IO的方式，也不太适合。那我们直接把网络 IO 去掉，直接在内存中使用布隆过滤器呢？

布隆过滤器原理

BloomFilter 是对 BitMap 的一种优化，我们知道数组占用空间 = 数组元素个数 * 每个元素大小，而 BitMap 已经将每个元素的大小压缩到最小单位 1 个 bit，还想继续优化只能减少数组元素的个数了。在前面分析 BitMap 时，我们知道它对 ID 的范围有限制，如果想减少数组元素的个数，可以通过哈希函数将大于数组长度的 ID 转换为小于数组长度的下标，这种方案还有一个优点就是不再限制 ID 是正整数，可以是字符串（这点非常重要），刚好我们的数据符合这个场景。

但是这样会存在冲突，假设 x 和 y 经过哈希函数计算后定位到同一个位置，那就不能判定到底是 x 还是 y 访问过我们的 APP 了

哈希冲突

散列表解决哈希冲突有两种常用方法：开放寻址法和链表法，链表法你应该知道，HashMap 就是用的这种方案。开放寻址法中有个优化方案叫”双散列“，说白了就是用多个哈希函数来解决哈希冲突问题。布隆过滤器就是利用的这种多个哈希函数来解决哈希冲突的。如下图所示，使用了 3 个哈希哈数，会计算 3 个下标，会把下标对应的位置置为 1，这也是布隆过滤器和 BitMap 的最大区别，即在 bit 数组中用多个位来表示对象，而不是用 1 个位来表示，从而来降低冲突

多个哈希函数解决哈希冲突

虽然用多个位来表示对象可以降低哈希冲突，但还是会存在冲突的，即布隆过滤器是存在误判率的，如下图所示，假设用户 z 并未访问过 APP，但他的设备号经过 3 次哈希计算对应的位置都已经置为 1 了，所以会产生误判，但因为我们的业务场景并不要求准确率是 100%，只是希望把访问过 APP 的用户的流量快速的放进系统，即使误判也没有影响，所以布隆过滤器的误判率的存在，符合我们的业务场景。

误判率存在

实现方案

业务场景和布隆过滤器介绍完了，下面看看如何实现吧，已经有很多开源框架实现了布隆过滤器，可以拿来直接使用，不需要再重复造轮子了，我采用的是 Guava 的 BloomFilter ，创建 BloomFilter 对象时，传入误判率（默认的是 0.03）和预估数据量（亿级别），使用方法如下：

// 创建 BloomFilter
BloomFilter bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8), expectedNum, fpp);
// 写数据
bloomFilter.put("1");
// 读数据
boolean result = bloomFilter.mightContain("1");

Guava 的 BloomFilter 使用起来还是蛮方便的，但我想介绍下 BloomFilter 涉及到的两个比较重要的公式

// 根据预估数据量 n 和 误判率 fpp 计算bit数组
// m = -n*ln(fpp)/(log2)^2
long m = (long) (-expectedNum * Math.log(fpp) / (Math.log(2) * Math.log(2)));

// 根据预估数据量 n 和 bit 数组长度 m 计算哈希函数的个数 k = m/n * ln2
int k = Math.max(1, (int) Math.round((double)m / expectedNum * Math.log(2)));

// BloomFilter 使用 long 型数组
int longNum = Ints.checkedCast(LongMath.divide(m, 64, RoundingMode.CEILING));

根据公式对不同数据量占用的内存做了估算，因为做方案设计时要考虑内存占用情况

long expectedNum = 500_000_000;
double fpp = 0.03d;
System.out.println("预估数据量 ：" + expectedNum + "\n误判率：" + fpp);
// 根据预估数据量 n 和 误判率 fpp 计算bit数组
// m = -n*ln(fpp)/(log2)^2
long m = (long) (-expectedNum * Math.log(fpp) / (Math.log(2) * Math.log(2)));
System.out.println("bit数组长度：" + m);

// 根据预估数据量 n 和 bit 数组长度 m 计算哈希函数的个数 k = m/n * ln2
System.out.println("哈希函数个数：" + Math.max(1, (int) Math.round((double)m / expectedNum * Math.log(2))));

// BloomFilter 使用 long 型数组
int longNum = Ints.checkedCast(LongMath.divide(m, 64, RoundingMode.CEILING));
System.out.println("long数组大小:" + longNum);
int size = longNum * 8 / 1024 / 1024;
System.out.println("内存占用大小：" + size);

结果

误判率采用默认的 0.03
按 10 亿的数据算，bit 数组长度是 7298440837，BloomFilter 使用long型数组，所以long型数组长度 114038139 ，内存占用约 870 MB
按 5 亿的数据算，bit 数组长度是 3649220418，BloomFilter 使用long型数组，所以long型数组长度 57019070 ，内存占用约 435 MB
按 3 亿的数据算，bit 数组长度是 2189532251，BloomFilter 使用long型数组，所以long型数组长度 34211442 ，内存占用约 261 MB  
按 2 亿的数据算，bit 数组长度是 1459688167，BloomFilter 使用long型数组，所以long型数组长度 22807628 ，内存占用约 174 MB

我们的 RT 数据预计 3 亿，在默认误判率的情况下，占用内存在 261MB ，服务器现有配置可以满足

注意

这里发现使用了 BloomFilter 后占用的内存竟然比直接使用 BitMap 耗费内存更多，好像和常识相反。其实使用 BitMap 时假设了是连续的 ID，紧凑的 BitMap 是最省空间的，连续的 Id 对 BitMap 来说是没有任何空间浪费的，所以这种情况下 BloomFilter 占用的内存高于 BitMap

首先介绍下文中涉及到的两个项目，一个是 delivery 是我们的广告检索入口，流量非常大，对性能要求高，另一个是 dsp_jar_task，和定时任务相关

然后看下整体方案：

整体架构

流程介绍

我们的 RT 数据每天通过定时任务跑完数后存放到 HDFS 上，考虑到从 HDFS 中读取数据，并创建对象耗时比较长，所以把这部分工作从 delivery 移到 dsp_jar_task 上，在 dsp_jar_task 读取数据并创建好 BloomFilter 后，将对象序列化到文件中，先保存在本地，然后将文件上传到 WOS (公司内部的一个对象存储组件)，存储到 WOS 成功后，会返回一个 url 地址，根据该地址可以访问存储的对象，把记录写到 Redis 中，格式如：，其中 key 是日期信息， value 是 WOS 当天文件对应的 url

delivery 初始化时，先根据前一天日期从 Redis 中查是否有写入 WOS，如果昨天没有则取前天的，有就取昨天的。从 WOS 读取数据到内存中，存放到 byte 数组中，然后反序列化成 BloomFilter 对象，成功后，在内存中记录本地的模型日期，供定时检查模型更新对比使用，delivery 启动后会起定时任务每隔 10 分钟去检查 Redis 中的模型和内存的模型是否相同

如果相同，不做处理

如果不同，则根据 Redis 中最新的模型 url 去 WOS 读取最新的模型

回滚操作

为了应对模型数据存在问题的 case，要支持回滚操作。回滚操作主要分为两种，一种是回滚到昨天的模型，另一种是重跑今天的模型

回滚到昨天的模型

首先，昨天的模型一定是正常的，然后通过在 cdb 平台手动更新 Redis 数据，将 key = rt_20200007 的 value 改成昨天的 WOS url

然后在 Nacos 中触发重新加载模型操作

重跑今天的模型

可能当天的任务跑的数据有问题，需要提供 RT 数据的定时任务重新跑数据，跑完后，手动触发 dsp_jar_task 执行重跑任务，需要先删除当天的数据，然后再重新拉取数据并上传，这里是个幂等的操作。上传成功后，在 Nacos 中触发重新加载模型的操作

效果和规划

该方案上线后，业务相关的效果数据很明显，但现在只有离线数据，后续可能会考虑加入实时数据

— 【 THE END 】—

本公众号全部博文已整理成一个目录，请在公众号里回复「m」获取！

3T技术资源大放送！包括但不限于：Java、C/C++，Linux，Python，大数据，人工智能等等。在公众号内回复「1024」，即可免费获取！！