随着互联网科学技术的迅猛发展,物联网、云计算以及移动通信技术的兴起,每时每刻,数以亿计的用户产生着数量巨大的信息,海量数据时代随之而来。布鲁姆过滤器(BloomFilter,BF)是一种时间效率和空间效率都很高的概率型数据结构,它是用来检测某个元素是否属于一个集合,可以使用它来处理海量数据,进行快速集合元素查询。键值对(key-value)存储是数据库最简单、最常见的一种组织方式,基本上全部的编程语言都带有应用在内存中的键值对存储。传统的键值对存储对于海量数据处理极具挑战,因此,本文对布鲁姆过滤器结构进行扩展,设计了两种面向键值对存储的布鲁姆过滤器查询算法,本文的主要研究点如下:在分析了目前多种使用布鲁姆过滤器结构进行键值对存储算法的基础上,提出了一种动态存储键值对的可扩展布鲁姆过滤器树(Scalable Bloom Filter Tree,SBFT)结构,并设计了该结构对于键值对的插入、查询、添加新value值的算法。SBFT结构将多个布鲁姆过滤器向量分布在一棵树上,并且本文使用了一种H3哈希函数进一步扩展了这种结构,这种新颖的结构不仅提高了键值对处理速度,而且支持动态数据处理,更适用于现实网络环境中。最后通过理论分析和仿真实验验证了 SBFT结构在处理键值对数据方面的有效性。在分析了多种处理键值对数据时会产生冲突情况的结构特点的基础上,提出了一种基于Bh序列的键值对布鲁姆过滤器(Bh-BloomFilter,Bh-BF),并设计了该结构对于键值对的插入、查询、删除和更新算法。本文选用了一种特殊的编码方式——Bh序列,解决了键值对数据插入时产生冲突的多种情况,提高查询效率,降低了误判率。最后使用真实的网络数据集进行仿真实验,实验结果显示,与现有的两种基于布鲁姆过滤器使用单元格cell处理键值对的结构相比,Bh-BF结构能容忍更多冲突情况,错误率更低,处理效率更高,更适合在真实网络应用中使用。