背景
布隆过滤器使用组合哈希函数判定值是否在集合中，这样可以减少内存占用空间，提高空间使用率，具体是怎么做的呢？
哈希函数与冲突率
设想有一个阵列位（例如一个字节有8个阵列位），可用来存放哈希值，那么：
- 如果阵列位的容量大小是1，那么存放一个哈希值后，再存放新哈希值的冲突概率是100%（实际是已经满了，再也放不下下了）
- 如果阵列位的容量大小是10，那么存放一个哈希值后，再存放新哈希值的冲突概率是10%
- 如果阵列位的容量大小是100，那么存放一个哈希值后，再存放新哈希值的冲突概率是1%
而且，随着阵列位的空间不断被填满，新插入的值的冲突率也在上升，是个动态过程。从上面的过程可知，如果要存在N个哈希值，且要求冲突率在0.1%到1%之间，就需要100N到1000N个阵列位，这样的空间效率很低。
布隆过滤器中的组合哈希举例
对于布隆过滤器来说，思路和上面单哈希函数完全不同，允许适当的冲突，利用哈希位重复使用使得空间使用率提高。前面对于100个阵列位，在单哈希函数情况下，存放1个哈希值后再存放新哈希值的冲突概率是1%。
- 现在我们使用组合哈希函数，假设有三个哈希函数H1()、H2()、H3()，对于X来说，H1(X)=3，H2(X)=5，H3(X)=7，那么采用组合哈希函数后，对于100个阵列位来说，使用了阵列位的位置是（3，5，7）。
- 这时对于新值Y来说，如果Y通过H1、H2、H3的产生的哈希值是（7，3，5）那么对于100个阵列位来说，使用的还是那三个阵列位。也就是说X和Y使用了相同的阵列位，通过这样的操作可以减少阵列位的使用。
- 但是这样的方法也有问题，例如：对于要检查Z值，如果映射的哈希值刚好是（5，7，3）那么就相当于说Z值可能是存在的，也可能是不存在的，其实对于Y值来说也是如此…
- 当然，如果再来一个K，哈希值是（1，5，7），那么可以肯定的说，K值一定没有记录过在阵列位中。
如果增大阵列位长度，可以减少情况3的发生，如果增加组合HASH函数中的个数，也可以减少情况3的发生。如果情况3发生的太多了，相当于对于任何的值，过滤器都告诉你“不知道”。那就起不到过滤作用了。因此，布隆过滤器相当于是在阵列空间的使用和判断的准确率上做权衡，允许一定的“失误率”（SAY 不知道）。