布卢姆filter的对面？
我试图优化一个基本上运行数百万个testing的软件。 这些testing生成的方式可能会有一些重复。 当然，如果我可以有效地避免，我不想花时间运行已经运行的testing。
所以，我正在考虑使用Bloomfilter来存储已经运行的testing。 但是布卢姆filter对我来说是不安全的一方。 它给出了误报。 也就是说，它可能会报告我已经跑了一个我没有的testing。 虽然在我正在处理的情况下这可能是可以接受的，但是我想知道是否有相当于布卢姆filter，但却犯了相反的错误，也就是只给出了错误的否定。
我没有任何运气，通过文学浏览。
是的，有损散列表或LRUCache是一种快速O（1）查找的数据结构，只会给出错误的否定结果 – 如果您询问“是否运行testingX”，它会告诉您“是的，您肯定有“或”我不记得“。
原谅极其粗糙的伪代码：
setup_test_table(): create test_table( some large number of entries ) clear each entry( test_table, NEVER ) return test_table has_test_been_run_before( new_test_details, test_table ): index = hash( test_details , test_table.length ) old_details = test_table[index].detail // unconditionally overwrite old details with new details, LRU fashion. // perhaps some other collision resolution technique might be better. test_table[index].details = new_test_details if ( old_details === test_details ) return YES else if ( old_details === NEVER ) return NEVER else return PERHAPS main() test_table = setup_test_table(); loop test_details = generate_random_test() status = has_test_been_run_before( test_details, test_table ) case status of YES: do nothing; NEVER: run test (test_details); PERHAPS: if( rand()&1 ) run test (test_details); next loop end. 完成此任务的确切数据结构是直接映射caching ，通常在CPU中使用。
function set_member(set, item) set[hash(item) % set.length] = item function is_member(set, item) return set[hash(item) % set.length] == item
是否有可能存储你没有运行的testing？ 这应该反filter的行为。
LRUCache怎么样？
对不起，我没有太多的帮助 – 我不认为这是可能的。 如果testing执行不能sorting，可以使用打包的格式（每个字节8个testing！）或一个好的稀疏数组库来将结果存储在内存中。
我认为你会离开解决scheme的一部分。 为了避免误报，你仍然需要跟踪哪些已经运行，并基本上使用布隆filter作为确定一个testing肯定没有运行的捷径。
也就是说，由于您事先知道testing的次数，您可以使用一些众所周知的公式来确定filter的大小，以提供可接受的错误率; 对于1％的返回假阳性的可能性，您需要〜9.5位/条目，因此对于一百万条logging，1.2兆字节就足够了。 如果您将可接受的错误率降低到0.1％，则这只会增加到1.8 MB。
维基百科的文章布卢姆filter给出了一个很好的分析，并涉及math有趣的概述。
- 如上所述，使用一些设置。 如果你知道没有。 您将事先运行testing，您将始终从数据结构中获得正确的结果（呈现，不存在）。
- 你知道什么键你会哈希？ 如果是这样，您应该运行一个实验来查看BloomFilter中密钥的分布情况，以便您可以对其进行微调以重现误报或您有什么。
- 您也可能想要检出HyperLogLog。
不，如果你仔细想想，那也不会很有用。 在你的情况下，你不能确定你的testing运行永远不会停止，因为如果总是有“假阴性”，总会有testing需要运行。
我会说你只需要使用散列。
您所期望的数据结构不存在。 因为这样的数据结构必须是多对一的映射，或者说是一个有限的状态集合。 必须有至less两个不同的input映射到相同的内部状态。 所以你不能分辨两个（或更多）是否在集合中，只知道至less有一个这样的input存在。
编辑只有当你正在寻找一个高效的内存数据结构时，这个语句才是真实的。 如果内存是无限的，您可以通过存储每个成员项目，始终获得一个数据结构，以提供100％准确的结果。
