Bloom Filter是由Burton Howard Bloom在1970年创建的一种概率数据结构，它在很大程度上是必须存储大量数据的情况，例如CPFS和IPS被欺诈阻止。 Bloom过滤器没有访问数据库进行预约并知道是否存在特定密钥，而是让您更加皱褶，更有效地进行此检查，从而减少了操作的操作时间。要了解更多信息，请阅读Márcio Althmann的文章。
通过使用诸如cpf_bloqueio_ {cpf number}之类的键直接在REDIS上存储信息，该操作可以比数据库响应更烦人，但是数据量，但是数据卷，但存储的数据量将大。使用Bloom过滤器，可以将千兆字节数据存储在兆字节中，这使其成为优化大量数据存储的绝佳选择。 redis提供了这种结构，以不通过重新启动。
要在Redis中使用Bloom Filter，必须拥有一个£o redis，例如可以在Docker Hub中找到的Redis/redis-Server映像。获得此图像后，我们可以使用stackexchange library.redis与Bloom Filter一起使用。
REDIS中的Bloom Filter可以通过两种方式使用。前者是使用BF.Reserve命令保留必要的空间，该命令使您可以预先指定Bloom过滤器可以期望的数据量以及此数据的所需错误率，即他可以报告的No。误报。这样，Redis知道如何正确配置Bloom过滤器。
但是，如果您不想提前指定这些值，则不必为Redis保留空间。这是因为对不存在的密钥的BF.ADD命令的任何调用都会自动为您创建Bloom Filter。这种方法是，如果您不知道Bloom过滤器所需的数据或错误率是多少。创建一个花朵过滤器：
using StackExchange.Redis;
var connection = ConnectionMultiplexer.Connect("localhost:6379");
var database = connection.GetDatabase();
// Criando um filtro
await database.ExecuteAsync("BF.RESERVE", "bf_cpf", .01, 10000);
要添加列表，只需传递预订时创建的密钥以及要添加的元素即可调用bf.add命令。 REDIS将执行元素哈希，并将其添加到Bloom Filter中。
- 重要的是要记住，Bloom Filter不允许排除元素。
将一个元素添加到Bloom过滤器：
// Adicionando um item na lista
await database.ExecuteAsync("BF.ADD", "bf_cpf", "00000000001");
要验证“ Bloom过滤器”列表中是否存在一个元素，我们使用BF.EXISTS命令，该命令接收了要验证存在的密钥名称和元素。
运行命令时，redis将再次执行元素哈希，并检查相应的位是否在过滤器中定义。如果设置了所有相应的位，则命令将返回，表明该元素可能在列表中。如果命令将返回false，则表明该元素绝对不在列表中。重要的是要记住，可能存在假阳性，Bloom过滤器中柯利沙斯的可能性已经高于其他数据结构。
检查一个元素的存在：
// Verificando se o item está na lista
var existe = await database.ExecuteAsync("BF.EXISTS", "bf_cpf", "00000000001");
Bloom Filter是一种有效地处理大量数据并优化操作性能的宝贵工具。此外，Redisbloom是基于REDIS结构的分布式列表，可为存储数据提供可扩展性和高可用性。可以使用分配资源和重复的复制来确保在失败或Disheveral超负荷的情况下数据可用性，这使得解决方案更加健壮和自信。
在©a a a近！