這種效率的代價是Bloom filter是一種概率數據結構，元素不是絕對的在組裏或可能在組裏。
Bloom filter的基本數據結構是一個位向量。
圖1：布魯姆過濾器散列圖
如圖1：布魯姆過濾器，由一個長度爲m（=18）的數組（初始值都爲0）和k（=3）個hash 函數組成，圖中的元素x,y,z，判斷爲“可能”存在於集合中；而元素w一定不在集合中。由於元素x，y，z通過k個hash函數計算後，發現對應的桶中的元素都是1。而w計算後在15號桶爲0。
添加元素：將一個元素添加到Bloom Filter中，只需要計算k個hash函數，並將散列的位置都置爲1。（因此多個元素，散列到同一個桶中是有可能的）
刪除元素：對於simple BF由於多個元素，散列到同一個桶中是有可能的，一個桶值爲1不代表這個桶只表示某單個元素的散列信息，可能有其他的元素也散列到這個桶。因此，無法進行刪除操作。（增加一個BF存儲刪除的元素，完成刪除操作）
假陽性率：當m和k足夠大，或者選取的hash函數足夠好的時候，一個元素如果不在集合中，通過hash計算時，得到的值很可能爲0（衝突變小），假陽性率越低。當假陽性率太高，會導致很多無效的讀取磁盤操作，會很浪費時間。因此，當假陽性率太高時，需要重構BF。
時間和空間分析：添加，刪除，查找都爲O(k)。對於m長的BF，有n個元素，k個hash函數。當k值取最優時，對於1%假陽性，每個元素只需要消耗9.6bits。每個元素增加4.8bits可以完全解決1%假陽性問題。