Bloom Filter 자료구조

안녕하세요, 오늘은 Bloom Filter 와 변종들중에 하나인 Scalable Bloom Filter 에 대해서 알아보는 시간을 가지려고 합니다.
너무 자세하거나 수학적인 설명은 배제하고 직관적인 이해를 기반으로 포스팅하겠습니다! 자세한건 그냥 논문을 보세요…

Bloom Filter 란?

Bloom Filter 는 집합내에 특정 원소가 존재하는지 확인하는데 사용되는 자료구조입니다.
이러한 “membership test” 용도로 사용되는 자료구조들은 Bloom Filter 외에도 다양합니다. 대표적이고 널리 알려진 것으로는 Balanced Binary Search Tree (AVL, red-black tree 등) 과 해시 테이블등이 있습니다. 이 자료구조들의 특징은 100% 정확도로 membership test 를 수행할 수 있다는 것입니다.
Bloom Filter 는 이러한 정확도를 희생해서 메모리 사이즈를 최소화하는 것을 목표로 합니다.

Bloom Filter 구조

Bloom Filter 자료구조는 기다란 비트 배열로 구성됩니다. 그리고 “원소 추가” 와 “원소 검사” 연산을 수행하기 위해 서로 다른 해시 함수들이 사용됩니다.
비트 배열의 길이를 m, 해시 함수의 개수를 k 라고 하겠습니다. k개의 해시 함수들은 [0, m) 범위의 해시 값을 출력하게 됩니다.
그러면 Bloom Filter 의 2가지 연산에 대해서 알아보겠습니다.

1. 원소 추가
   • 추가하려는 원소에 대해서 k개의 해시 값을 계산한 다음, 각 해시 값을 비트 배열의 인덱스로 해서 대응하는 비트를 1로 세팅합니다.
2. 원소 검사 (membership test)
   • 검사하려는 원소에 대해서 k개의 해시 값을 계산한 다음, 각 해시 값을 비트 배열의 인덱스로 해서 대응하는 비트를 읽습니다. k개의 비트가 모두 1인 경우 원소는 집합에 속한다고 판단하고, 그렇지 않은경우 속하지 않는다고 판단합니다.

매우 간단하죠? Bloom filter by example 사이트에서 직접 눈으로 확인해보시면 이해에 더 도움이 되실 것 같습니다.

Bloom Filter 특징

• 확률적 자료구조입니다.
  • 100% 정확도로 원소 존재 여부를 검사할 수 있는 해시 테이블등과는 달리, Bloom filter 는 정확도가 확률적입니다.
  • 예를 들면, 해시 테이블은 hash collision 을 극복하기 위해 원소의 전체 데이터를 비교하는 로직이 있습니다. 그리고 이를 위해서 원소의 전체 데이터를 자료구조 내부에 저장하게 됩니다.
  • 반면에, Bloom Filter 는 원소의 전체 데이터를 저장하지 않고, 해시 함수를 통해 원소의 특징 값들만 뽑아서 이걸 그냥 비트 배열에 반영시켜버립니다. 따라서 정확도는 떨어지게 되지만 메모리 사이즈를 매우 절약할 수 있게 되는 것입니다.
• False negative 는 존재하지 않습니다.
  • False negative (원소 검사시 존재하지 않는 원소를 존재한다고 판단할 가능성) 는 존재하지 않습니다. 위에서 “원소 추가” 와 “원소 검사” 연산이 어떻게 동작하는 지를 생각해보면 자명합니다.
• False positive 가 존재할 수 있습니다.
  • 원소 검사시 존재하지 않는 원소를 존재한다고 판단할 가능성이 있습니다.
  • False positive probability (이하 FPP) 는 수학적으로 계산이 가능합니다. (이상적인 해시 함수의 개수 또한 계산이 가능합니다.)
• k개의 해시 계산이 병렬적으로 수행될 수 있다면 속도측면에서 큰 이점을 얻을 수 있습니다.

Bloom Filter 활용

Bloom Filter 는 메모리 사이즈를 줄여야하는 경우에 유용하게 활용될 수 있습니다. 단, 문제가 되는 부분은 false positive 가 발생할 수 있다는 것입니다.
따라서, 약간의 false positive 가 발생하더라도 감안할 수 있는 경우가 아니라면 false positive 에 대비할 방법이 반드시 필요합니다. 해결책중에 하나는 Bloom Filter 외에도 해시테이블과 같이 100% 정확도를 제공하는 자료구조를 따로 구성해놓는 것입니다. 아래의 사진을 보시면 이해가 되실 것 같습니다.
(출처 : 위키백과)
Bloom Filter 는 메모리를 적게 사용하므로 RAM 과 같은 빠른 저장공간에 로드하고, 100% 정확도를 제공하는 자료구조는 하드디스크같은 느리지만 용량이 큰 저장공간에 위치시킵니다. Bloom Filter 를 이용해서 불필요한 접근을 먼저 필터링할 수 있고, FPP 를 막기 위한 용도로만 disk 에 접근하게 되므로 성능이 향상됩니다.
만약 원소 검사 요청이 대부분 존재하는 원소에 대한 검사 요청이라면, 이러한 구조는 별로 이점이 없을 것 입니다. 대부분의 경우에는 FPP 를 막기 위해 결국 disk 에 접근해야하기 때문입니다.
따라서, 이러한 구조는 원소 검사 요청이 대부분 존재하지 않는 원소에 대한 검사 요청일 경우에 활용할만한 구조입니다.
구글 크롬이 주어진 URL 이 악성인지 여부를 체크할 때 Bloom Filter 를 활용하는 것도 이러한 맥락입니다. 대부분의 URL 은 정상이기 때문에 위와 같은 구조를 채택했을 때 성능상 큰 이점을 얻을 수 있는 것입니다.

Bloom Filter Variants

Bloom Filter 는 간단하지만 매우 활용도가 높은 자료구조입니다.
그러나 원소의 삭제가 불가능하고 원소의 개수가 많아질수록 false positive 의 확률이 높아지는 등의 문제점도 많습니다. 또한 특정 목적으로 사용하기 위해 개선할 수 있는 부분도 많이 있는데요. 따라서, 원조 Bloom Filter 에서 뻗어나온 다양한 변종들이 많이 존재합니다.
어떠한 변종들이 있는 지는 위키백과와 이 블로그 글을 참고하시면 좋을 것 같습니다. 저는 많은 변종들중에 하나인 “Scalable Bloom Filter” 에 대해서만 다뤄보겠습니다.

Scalable Bloom Filter

Bloom Filter 의 대표적인 한계점중에 하나는 동적으로 원소를 추가하기에 효율적이지 않다는 것입니다. 원소의 개수가 고정되어있다면 Bloom Filter 를 구성하는 시점에, 수학적 이론을 통해서 원하는 FPP, 원하는 메모리 사이즈를 고려해서 최적의 hash 함수 개수, 메모리 사이즈를 결정할 수 있습니다.
그러나, 원소의 개수가 동적으로 계속 변경된다면 Bloom Filter 를 구성하는 시점에 최적의 hash 함수 개수, 메모리 사이즈를 결정할 수가 없게 됩니다. 또한 원소가 예상보다 훨씬 많아지게 된다면 FPP 가 너무 커져서 문제가 생길 수 있습니다.
이러한 문제를 해결하기 위해 나온 것이 Scalable Bloom Filter 입니다. 대략적인 아이디어를 설명을 하자면 다음과 같습니다.
Scalable Bloom Filter 는 Bloom Filter 들의 나열로서 구성됩니다. 원소들이 계속 추가되다가 어느순간 일정 FPP 를 넘기게 되면 새로운 필터를 추가하게 됩니다. 그리고 그 다음부터 추가되는 원소들은 새롭게 추가된 필터에 추가되게 됩니다. 이렇게 필터가 추가될때마다 stage 가 1씩 증가한다고 말합니다.
membership test 는 필터들 각각에 대해서 membership test 를 수행함으로써 원소의 존재여부를 판단하게 됩니다.
Scalable Bloom Filter 를 구성할 때는 여러가지 상수를 결정해야만 하는데 이를 통해서 좀 더 보충설명을 해보도록 하겠습니다.

• Error probability tightening rate
  • Scalable Bloom Filter 는 각 stage 별로 최대 FPP 가 정해져 있습니다. 이러한 최대 FPP 는 첫 stage 에서는 높지만 stage 가 증가할수록 점점 작아지게 되어있습니다. 필터 전체의 FPP 는 각 stage 들의 최대 FPP 들을 통해서 결정되는데요. stage 가 무한대로 갈수록 전체적인 FPP 는 특정 값으로 수렴하게 됩니다.
  • stage 가 증가할 수록 최대 FPP 가 줄어드는 비율을 의미하는 상수가 바로 error probability tightening rate 입니다.
• Growth rate of the size
  • Scalable Bloom Filter 가 특정 stage 에서 최대 FPP 에 도달하게 되면 새로운 필터를 추가함으로써 다음 stage 로 넘어가게 됩니다. 이 때 추가할 필터의 크기를 결정하는 상수가 바로 growth rate of the size 입니다.
  • 예를 들어 이 값이 2 라면, stage 가 증가할수록 추가되는 필터의 크기는 10, 20, 40, 80, … 와 같이 됩니다.

약간 복잡할 수 있는데 관심있으신 분은 논문을 읽어보시는 걸 추천합니다. 논문에는 각 상수가 성능에 주는 영향과 최적의 상수 값을 찾는 방법등이 잘 나와있습니다.

마무리

오늘은 Bloom Filter 에 대해서 한번 알아봤습니다 ㅎㅎ
간단하지만 정말 유용한 자료구조인 것 같네요. 알고있으면 적용할 만한 곳이 많이 있을 것 같습니다! (개인적으로 학부에서 필수로 가르쳐야할만한 자료구조인 것 같다는 생각이 듭니다.)
다음에 또 만나요~

---

이 포스팅은 삼성 소프트웨어 멤버십 기술 블로그에 동시에 포스팅됩니다.