Фильтр Блума для веб-разработчиков

Redis расшифровывается как REmote DIctionary, например. Так что уже есть.

Да, все функции, связанные с фильтром Блума уже отделены.

Можно просто добавить файлы bf_* и md6_* в директорию с исходниками модуля и заинкудить заголовочные файлы bf_*.h.

Можно собрать полноценную библиотеку .so и далее пользоваться ею:

$ gcc -shared -fPIC bf_*.c md6_*.c -o libbloom.so
$ cat > libtest.c
#include "bf_types.h"
#include "bf_ops.h"
#include <stdio.h>

void main() {
    if (bf_create(1,1))
        puts("OK");
}
<CTRL+D>
$ gcc -L. -o libtest libtest.c -lbloom
$ LD_LIBRARY_PATH=. ./libtest
OK

В случае с nginx проблема только в том, что у каждого воркера своя память, поэтому придётся создавать структуру в мастер-процессе в общей для всех воркеров памяти: или IPC SHM, или mmap с флагом MAP_ANONYMOUS. Второй вариант может быть быстрее и гарантирует, что память будет освобождена при любом завершении процесса. Однако он не является частью стандарта POSIX. Первый вариант требует очистки, так как сегменты общей памяти IPC не связаны с конкретным процессом и продолжают существовать после его выхода. Судя по исходникам nginx и модулей, которые используют общую память, в nginx принят первый подход и есть внутреннее API для получения общей зоны.

Для использования общей памяти между процессами придётся сделать версии bf_create() и bf_destroy(), использующие общую память.

Почему бы просто не запатчить redis с целью поддержки более длинных битовых полей?

Эта работа ведётся с 2012го года. Там есть много ограничений, от формата хранения строк до сообщений между кластерами и хранением. Даже когда эта работа будет проделана, всё равно потребуется сделать на стороне хэшера ширину хэша больше 32 бит. Поэтому, раз уж всё равно подстраиваться, лучше использовать несколько ключей редиса.

1) В redis есть журнал операций — соотвественно если инстанс редиса прибить он восстановит из журнала все последние записи. В вашем случае могут потерятся записи за последние 300 секунд.

По умолчанию в Redis-е AOF выключен, но да — функция стоящая. В моём случае реализовать её довольно просто, не нужно даже точно помнить позицию, откуда проигрывать — есть только одна операция и она идемпотентная. Меня сдерживает от реализации только тот факт, что при постоянном большом наплыве добавляемых элементов и длительной просадке дисковой производительности возникнет ситуация, что или будет разрастаться буфер записи бинлога, или придётся задерживать операции добавления. Так можно получить SIGKILL от OOM Killer-а в ситуации, когда в общем-то можно нормально работать.

2) В redis имеется репликация, если один инстанс ляжет — приложение может сходить в другой.

Не так просто, чтобы записать в слэйв что-то, нужно сначала разорвать его репликацию с упавшим мастером.

Принимая это всё во внимание, можно надёжно организовать кластеризацию параллельной записью в сразу несколько фильтров. При чтении результатом будет логическое ИЛИ от ответов всех фильтров. Такой подход даёт высокие гарантии, не ломает предсказуемость потребления памяти фильтрами и ничего не стоит для приложения — для параллельных запросов с таймаутами есть простые инструменты.

Про batch-запросы: на данный момент можно использовать HTTP pipelining:

$ cat > batch.txt
GET /check?e=123 HTTP/1.1
Host: localhost

GET /check?e=456 HTTP/1.1
Host: localhost

$ nc 0 8889 < batch.txt 
HTTP/1.1 200 OK
Content-Type: text/html; charset=UTF-8
Date: Wed, 06 Jul 2016 14:53:23 GMT
Content-Length: 8

MISSING
HTTP/1.1 200 OK
Content-Type: text/html; charset=UTF-8
Date: Wed, 06 Jul 2016 14:53:23 GMT
Content-Length: 8

MISSING

Но лучше, конечно, внутри одного запроса — это я учту.