在各种各样的大数据应用中,高效的近似集合表示和成员判定是至关重要的。与之前的布隆过滤器及其变体相比,最新的布谷鸟过滤器由于其高效的查询效率和对集合元素删除的支持在近似集合表示上展现出强大的优势。然而布谷鸟过滤器在元素插入过程中会出现严重的性能下降。通过理论分析和实验证实,插入性能的急剧下降是因为布谷鸟过滤器在元素插入过程采用了随机选择策略将元素插入到相应的候选桶中。这种随机选择策略会导致布谷鸟过滤器中不同桶之间的负载不均衡,随着布谷鸟过滤器变得越来越满,这种负载的不均衡会变得越来越明显,导致后面的元素插入过程中出现频繁的重定位,布谷鸟过滤器的插入性能严重下降。为了解决这一问题,提出基于负载均衡的高效布谷鸟过滤器利用排队论中的重要原理,“两种选择的力量(The Power of Two Choices)”来进行元素插入过程中候选桶位置的选择。该设计实现了布谷鸟过滤器桶之间的负载均衡,降低了插入过程中的重定位发生概率。为了证明该设计的有效性,将基于负载均衡的高效布谷鸟过滤器应用于现实的应用中,并使用从现实系统中收集的大规模数据进行实验来测试该设计的性能。实验结果表明,与现有的布谷鸟过滤器相比,基于负载均衡的高效布谷鸟过滤器显著降低了元素插入过程中的的平均重定位次数和插入延迟,其中平均重定位次数降低了35%,插入延迟降低了25%。