Redis 概率数据结构（Bloom Filter、HyperLogLog 与 Count-Min Sketch）

Redis 概率数据结构（Bloom Filter、HyperLogLog 与 Count-Min Sketch）概述概率结构以低成本提供近似查询与统计。Bloom 用于存在性检测，HyperLogLog 用于基数估算，Count-Min 估计频率分布。关键实践与参数Bloom：可配置误判率与容量；适合防穿透与粗略去重。HyperLogLog：`PFADD/PFCOUNT`；误差约 1–2%，适合 UV/去重统计。Count-Min：估计频率与热点；空间与误差可调。验证方法通过对照集合与实际统计对比误差与性能。压测插入与查询吞吐；评估内存占用。在防穿透场景下验证 Bloom 的误判影响与补救。注意事项概率误差需被业务接受；关键场景避免单独使用。模块支持与版本兼容需验证（RedisBloom）。与持久化与备份策略协同，防丢失。