(7)Redis有序集合跳表实现原理

  数据结构&算法模块总结

• (1)复杂度分析原理与方法
• (2)数组与链表原理和使用场景讲解
• (3)栈原理与应用场景讲解
• (4)队列原理与应用场景讲解
• (5)递归原理与虚拟机栈场景应用
• (6)二分查找及其应用场景
• (7)Redis有序集合跳表实现原理
• (8) 散列表(Hash Table)原理和业界应用场景

1.跳表与链表

---

    ①原始链表查找效率为O(N)

    ② 跳表优化思路：  每隔两个或两个以上节点时，提取一个节点到上一级，抽取出来的一级称为索引或索引层。down指针，可以指向下一级结点 。 这种链表加多级索引的结构，就是跳表。

    例如要查找节点16，可以现在索引层遍历，当遍历到13发现下一个节点为17。此时不能再继续走，所以从13节点往下走，然后再遍历到16节点

     ③索引层高度与效率：如果在第一级索引上创建第二级。那么查找16过程为1->7->7->9->13->13->16，共6节点，效率有提升。

2.跳表查询效率计算

---

(1)第k层节点个数    

    如果每两个节点抽取一个节点作为上一级索引的节点，那第一级索引的结点个数大约就是n/2，第二级索引的结点个数大约就是n/4，第三级索引的结点个数大约就是n/8，依次类推，也就是说， 第k级索引的结点个数是第k-1级索引的结点个数的1/2 ，那第k级索引结点的个数就是n/(2 k )。

(2)查询复杂度

     假设索引有h级，最高级的索引只有2个结点。通过上面的公式，可以得到n/(2h)=2，从而求得h=log2n-1。如果包含原始链表这一层，整个跳表的高度就是log2n。在跳表中查询某个数据的时候， 如果每一层都要遍历m个结点，那在跳表中查询一个数据的时间复杂度就是 O(m*logn)。 （横向遍历节点个数*纵向总高度） ，因此复杂度就是O(logn)

【  每一级索引都最多只需要遍历3个结点，也就是说m=3。即m=跨节点个数(2)+1 】

    假设我们要查找的数据是x，在第k级索引中，我们遍历到y结点之后，发现x大于y，小于后面的结点z，所以我们通过y的down指针，从第k级索引下降到第k-1级索引。 在第k-1级索引中，y和z之间只有3个结点（包含y和z），所以，我们在K-1级索引中最多只需要遍历3个结点， 依次类推，每一级索引都最多只需要遍历3个结点 （但如果有插入操作打乱节点规律，则不一定为3节点）。

3.跳表空间复杂度计算

---

(1)每次节点个数：

    假设原始链表大小为n，那第一级索引大约有n/2个结点，第二级索引大约有n/4个结点，以此类推，每上升一级就减少一半，直到剩下2个结点。

(2)索引节点总和

    上述第1到第k层索引的结点总和=n/2+n/4+n/8…+8+4+2=n-2，因此复杂度为0(N)

(3)复杂度缩减方法——提高节点跨度

    以3跨度为例，总的索引结点大约就是n/3+n/9+n/27+…+9+3+1=n/2，因此索引跨度越大会减少空间复杂度。

4.跳表插入和删除

---

(1)插入操作

    为了保证链表有序性，先找到插入位置然后插入，因此时间复杂度就是查找复杂度O(log N)。

    例如插入6， 先找到6的位置（5和7中间），然后直接插入 （假设链表是双链表）。

(2)删除操作（同上）

5.跳表索引动态更新

---

(1)更新原因    

    我们不停地往跳表中插入数据时，如果不更新索引，就有可能出现某2个索引结点之间数据非常多的情况。极端情况下，跳表还会退化成单链表。

(2)更新方法

    不同于红黑树通过旋转左右子树平衡，跳表利用随机函数维护平衡性。通过一个随机函数，来决定将这个结点插入到哪几级索引中，比如随机函数生成了值K，那我们就将这个结点添加到第一级到第K级这K级索引中。

     从概率上来讲，能够保证跳表的索引大小和数据大小平衡性，不至于性能过度退化。具体随机实现无规范。

6.跳表与红黑树

---

    由于Redis在有序集合中才会用到，主要涉及到的操作如下：

• 插入一个数据；

• 删除一个数据；

• 查找一个数据；

• 按照区间查找数据（比如查找值在[100, 356]之间的数据）；

• 迭代输出有序序列。

    与红黑树主要差别在于区间查找数据，由于两者查找一个数的时间复杂度都是logn，但是跳表只需要在原始链表层往后遍历即可，而红黑树还要进行回溯操作才能遍历，复杂度高。