奇葩面试题，O(logn)的底数是多少？，Nginx运维面试

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Java开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Java开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注Java）

正文

面试官：那你说说红黑树的查找复杂度是多少？

老三：O(logn)。

面试官：那这个复杂度的底数是多少？

老三：时间复杂度O(logn)有底数？

面试官：没有吗？

尬住……

面试官：那你再说一下快速排序的时间复杂度？底数是多少？

老三露出智（尴）慧（尬）的微笑……

面试官：好了，我没什么要问的了，这次面试到这结束吧。

---

结束面试之后，老三意难平，赶紧查一下。

O(logn)是有底数的！

---

看一下时间复杂度的定义：

在进行算法分析时， 语句总的执行次数 T ( n ) 是关于问题规模 n 的 函 数 。 进 而 分 析 T ( n ) 随 n 的变化情况并确定 T ( n ) 的 数 量级。 算法的时间复杂度，也就是算法的时间量度， 记作： T ( n )= O(f(n))。它表示随问题规模 n 的增大， 算法执行时间的增长率和f ( n ) 的增长率相同， 称作算法的渐近时间复杂度， 简称为时间复杂度。 其中 f ( n ) 是问题规模 n 的某个函数。

有点抽象对不对，直接上例子，我们来意会一下。

int n=10;

int count=1;

while (count<n){

count=count*2;

//时间复杂度为O(1)的运算

System.out.println(count);

}

看一下，这个运算，每次 count 乘以 2 之后， 就距离n更近了一分。 也就是说：

破案了，O(logn)确实是有底数的。

这个底数是由什么决定的呢？

算法中log级别的时间复杂度都是由于使用了分治思想，这个底数直接由分治的复杂度决定。如果采用二分法,那么就会以2为底，，三分法就会以3为底数，其他类似。

O(logn)底数意义不大！

---

那问题来了，为什么我们平时不写底数呢？

总结

大型分布式系统犹如一个生命，系统中各个服务犹如骨骼，其中的数据犹如血液，而Kafka犹如经络，串联整个系统。这份Kafka源码笔记通过大量的设计图展示、代码分析、示例分享，把Kafka的实现脉络展示在读者面前，帮助读者更好地研读Kafka代码。

麻烦帮忙转发一下这篇文章+关注我

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Java）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
024b （备注Java）**
[外链图片转存中…(img-fQMQY0WG-1713320350993)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！