我读了这个： http://spyced.blogspot.com/2009/01/all-you-ever-wanted-to-know-about.html
我的问题：
1。）是否正确，Cassandra只使用布隆过滤器，找出最有可能包含密钥的SST（排序字符串表）？由于可能存在多个SST并且Cassandra不知道哪个SST可能是密钥？因此，为了加速查看所有SST，使用bloomfilters。它是否正确？ （我想了解卡桑德拉是如何运作的......）
2。）为什么（如上面的链接中所解释）键多次哈希？是否正确需要多次使用不同的Hash函数进行哈希处理才能获得更好的“随机分布”位？如果这是错误的，为什么需要多次对密钥进行哈希处理？这会耗费CPU周期吗？如果我有几个Hash函数的输出，那么对结果做了什么，它们是ANDed还是XORded。这有什么不同吗？
3.）使用MD5与SHA1（根据文章是随机分布的）相比，“使用Bloomfilter来衡量积极因素”的差异有多大？为什么MD5不是随机分布的？
非常感谢!! 延
答案 0 :(得分：13)
1）是的，请参阅cassandra wiki中的this，
Cassandra在执行密钥查找时使用bloom过滤器来保存IO：每个SSTable都有一个与之关联的Bloom过滤器，Cassandra会在进行任何磁盘搜索之前进行检查，对几乎不存在的密钥进行查询
columns of a key可能分散在几个sstables中。如果它不是用于布隆过滤器，那么每次读取一个密钥都必须读取每个sstable，这非常昂贵。通过使用布隆过滤器，cassandra几乎总是只需查看包含该密钥数据的sstables。
2）This可能会让您更好地了解布隆过滤器。您散列k次以在大小为m的数组中提供独立位置。例如，如果A和B是集合中的元素，并且你有k = 2，你的散列函数是md5和sha1，m = 16，你可以做到
md5(A) % m = 7
sha1(A) % m = 12
md5(B) % m = 15
sha1(B) % m = 12
这使得m [7]，m [12]和m [15]对于滤波器都是正确的。
要查看C是否在集合中，您可以
md5(C) % m = 8
sha1(C) % m = 12
由于m [8]为假，因此您知道C不在集合中，但对于D
md5(D) % m = 7
sha1(D) % m = 15
m [7]和m [15]都为真，但D不在集合中，因此D为误报。
这确实花费了cpu周期，但你正在交易cpu周期以减少io，这对cassandra来说很有意义。
3）文章没有提到md5。 md5是随机分布的，我猜测布隆过滤器的md5和sha-1之间的差异并不大。
答案 1 :(得分：2)
作为sbridges答案第3点的补充。
MD5和SHA-1是随机分布的，但是是加密散列函数。在实现任何类型的布隆过滤器时，性能的唯一瓶颈是散列所需的时间。这就是为什么使用加密函数会降低应用程序的性能。
建议使用非加密哈希函数，如Murmur哈希。 This paper，建议构造和散列函数，如：
g(x) = h1(x) + i * h2(x)
其中g（x）是新的哈希函数，h1和h2是标准哈希函数，i是从0到k的迭代次数。
通过使用这种技术，可以使用两个哈希函数达到相同的性能（假设k> 2）。