请解释 BloomFilter 的基本原理，并说明在 IP 黑名单拦截场景中采用 BloomFilter 的原因是什么？

回答思路

1. 【回答框架 1】BloomFilter 是一种空间效率很高的概率型数据结构，用于判断一个元素是否在一个集合中。它由一个很长的二进制位数组和一系列哈希函数组成。添加元素时，通过 k 个哈希函数将元素映射到位数组的 k 个位置，并将这些位置置为 1。查询元素时，同样计算 k 个哈希位置，如果所有位置都是 1，则元素可能存在；如果有任何一个位置是 0，则元素一定不存在。
2. 【回答框架 2】BloomFilter 的核心特点是存在误判率（假阳性），即可能把不存在的元素误判为存在，但绝不会漏判（假阴性），即存在的元素一定不会判为不存在。误判率与位数组大小 m、哈希函数个数 k 和已插入元素数量 n 相关，可以通过公式 (1 - e^(-kn/m))^k 估算，并通过增大位数组或调整哈希函数个数来降低误判率。
3. 【回答框架 3】在 IP 黑名单拦截场景中，IP 地址数量可能非常庞大（例如恶意 IP 库可能有上亿条记录），如果使用精确的哈希表或数据库，会占用大量内存或导致查询延迟高。BloomFilter 可以用很小的空间（例如每个 IP 仅需几个比特）表示整个黑名单，查询速度很快（O(k) 时间），并且可以容忍极低概率的误判。因为拦截的目标是恶意 IP，偶尔将正常 IP 误判为黑名单（假阳性）可接受，但绝不能漏掉真实黑名单 IP（假阴性），这正是 BloomFilter 的特性。
4. 【回答框架 4】实际使用中，会为 BloomFilter 设置合理的参数以控制误判率。同时，由于 BloomFilter 不支持删除元素，对于黑名单中需要移除的 IP（如到期解禁），需要采用计数 BloomFilter 或定期重建过滤器，或者配合精确的存储层（如 Redis 或数据库）进行二次校验，在 BloomFilter 命中的情况下再检查精确数据，以消除误判影响。
5. 【关键点 1】BloomFilter 是概率型数据结构，存在误判率但不会漏判。
6. 【关键点 2】空间效率高，查询时间复杂度 O(k)，k 为哈希函数个数。
7. 【关键点 3】IP 黑名单场景适合 BloomFilter 因为可以容忍误判、需要高空间利用率和快速查询。
8. 【关键点 4】BloomFilter 不支持删除，需要额外机制处理删除或更新。