面试题学习笔记18：字节跳动面经学习5

面经地址：https://www.jianshu.com/p/051c8c26b2cf
问题一：操作系统内存管理
总的来说，包括内存管理和虚拟内存管理。
内存管理包括程序装入等概念、交换技术、连续分配管理方式和非连续分配管理方式（分页、分段、段页式）。
虚拟内存管理包括虚拟内存概念、请求分页管理方式、页面置换算法、页面分配策略、工作集和抖动。

问题二：自旋锁
自旋锁是指当一个线程在获取锁的时候，如果锁已经被其它线程获取，那么该线程将循环等待，然后不断的判断锁是否能够被成功获取，直到获取到锁才会退出循环。
获取锁的线程一直处于活跃状态，但是并没有执行任何有效的任务，使用这种锁会造成busy-waiting。
使用自旋锁会有以下问题：

1. 如果某个线程持有锁的时间过长，就会导致其它等待获取锁的线程进入循环等待，消耗CPU。使用不当会造成CPU使用率极高。
2. 上面Java实现的自旋锁不是公平的，即无法满足等待时间最长的线程优先获取锁。不公平的锁就会存在“线程饥饿”问题。
   自旋锁的优点
   自旋锁不会使线程状态发生切换，一直处于用户态，即线程一直都是active的；不会使线程进入阻塞状态，减少了不必要的上下文切换，执行速度快
   非自旋锁在获取不到锁的时候会进入阻塞状态，从而进入内核态，当获取到锁的时候需要从内核态恢复，需要线程上下文切换。 （线程被阻塞后便进入内核（Linux）调度状态，这个会导致系统在用户态与内核态之间来回切换，严重影响锁的性能）
   问题三：哈希表
   根据设定的Hash函数 - 和处理冲突的方法，将一组关键字映象 到一个有限的连续的地址集（区间）上，并以关键字在地址集中的象 作为记录在表中的存储位置，这样的表便称为Hash表
   理想的情况是希望不经过任何比较，一次存取便能得到所查记录，那就必须在记录的存储位置和它的关键字之间建立一个确定的关系，使每个关键字和结构中一个唯一的存储位置相对应。因而在查找时，只要根据这个对应关系找到给定值的像。若结构中存在关键字和相等的记录，则必定在的存储位置上，反之在这个位置上没有记录。由此，不需要比较便可直接取得所查记录。在此，我们称这个对应关系为哈希(Hash)函数 ，按这个思想建立的表为哈希表 。
   问题四：hashcode的底层实现
   
   问题五： 防止哈希冲突的方法
   1）开放定址法：
   这种方法也称再散列法，其基本思想是：当关键字key的哈希地址p=H（key）出现冲突时，以p为基础，产生另一个哈希地址p1，如果p1仍然冲突，再以p为基础，产生另一个哈希地址p2，…，直到找出一个不冲突的哈希地址pi ，将相应元素存入其中。

2. 再哈希法
   这种方法是同时构造多个不同的哈希函数：
   3）链地址法
   这种方法的基本思想是将所有哈希地址为i的元素构成一个称为同义词链的单链表，并将单链表的头指针存在哈希表的第i个单元中，因而查找、插入和删除主要在同义词链中进行。链地址法适用于经常进行插入和删除的情况。
   4）建立公共溢出区
   这种方法的基本思想是：将哈希表分为基本表和溢出表两部分，凡是和基本表发生冲突的元素，一律填入溢出表。
   问题六：链表与数组的区别，常用场景
   数组是有下标索引和data两部分组成
   链表是有data和指向下一个数据的指针地址两部分组成
   数组的特点：
   在内存中，数组是一块连续的区域
   数组需要预留空间，在使用前要先申请占内存的大小，可能会浪费内存空间。
   插入数据和删除数据效率低
   随机读取效率很高
   不利于扩展，数组定义的空间不够时要重新定义数组。
   链表的特点
   在内存中可以存在任何地方，不要求连续。
   每一个数据都保存了下一个数据的内存地址，通过这个地址找到下一个数据。
   增加数据和删除数据很容易。
   查找数据时效率低，因为不具有随机访问性，
   不指定大小，扩展方便。链表大小不用定义，数据随意增删
   问题七：数据库索引的数据结构？为什么是 B+ 树？
   1、 B+树的磁盘读写代价更低：B+树的内部节点并没有指向关键字具体信息的指针，因此其内部节点相对B树更小，如果把所有同一内部节点的关键字存放在同一盘块中，那么盘块所能容纳的关键字数量也越多，一次性读入内存的需要查找的关键字也就越多，相对IO读写次数就降低了。
   2、B+树的查询效率更加稳定：由于非终结点并不是最终指向文件内容的结点，而只是叶子结点中关键字的索引。所以任何关键字的查找必须走一条从根结点到叶子结点的路。所有关键字查询的路径长度相同，导致每一个数据的查询效率相当。
   3、由于B+树的数据都存储在叶子结点中，分支结点均为索引，方便扫库，只需要扫一遍叶子结点即可，但是B树因为其分支结点同样存储着数据，我们要找到具体的数据，需要进行一次中序遍历按序来扫，所以B+树更加适合在区间查询的情况，所以通常B+树用于数据库索引。
   问题八：B+树的结构
   B+ 树是一种树数据结构，是一个n叉树，每个节点通常有多个孩子，一颗B+树包含根节点、内部节点和叶子节点。B+ 树通常用于数据库和操作系统的文件系统中。 B+ 树的特点是能够保持数据稳定有序，其插入与修改拥有较稳定的对数时间复杂度。 B+ 树元素自底向上插入。
   一个m阶的B树具有如下几个特征：
   1.根结点至少有两个子女。
   2.每个中间节点都至少包含ceil(m / 2)个孩子，最多有m个孩子。
   3.每一个叶子节点都包含k-1个元素，其中 m/2 <= k <= m。
   4.所有的叶子结点都位于同一层。
   5.每个节点中的元素从小到大排列，节点当中k-1个元素正好是k个孩子包含的元素的值域分划。
   问题九：B+ 树的时间复杂度？ AVL 的时间复杂度？区别？AVL 不能做索引吗？为什么？
   b+树：层数log(m)n，每一层平均m/2，所以一共是(m/2) * log(m)n，由于m是常数，所以复杂度O(log n)，即以2为底n的对数
   AVL树是最先发明的自平衡二叉查找树。在AVL树中任何节点的两个子树的高度最大差别为一，所以它也被称为高度平衡树。查找、插入和删除在平均和最坏情况下都是O(log n)。
   问题十：B+树与b树的对比，为什么用B树做索引
   B+树与B树的区别是：
   非叶子结点的子树指针与关键字个数相同，即n 个 key 值的节点指针域为 n 而不是 n+1
   非叶子结点的子树指针 P[i] ， 指向关键字值属于 [K[i], K[i+1]) 的子树（ 左闭右开，B树是全开区间）
   为所有叶子结点增加一个链指针
   B+树的key 的副本存储在内部节点，真正的 key 和 data 存储在叶子节点上 。
   B树和B+树的不同：
   因为内节点并不存储 data，所以一般B+树的叶节点和内节点大小不同，而B-树的每个节点大小一般是相同的。在磁盘存储中，为了满足局部性原理，一般会给每个结点分配一页的存储容量，这使得B+树的非叶节点可以保存更多的key，减少了查找时的磁盘IO次数。
   B+ 树只有达到叶子结点才命中（ B树可以在非叶子结点命中），其查询时间复杂度固定为 log n，查询效率很稳定，而B-树查询时间复杂度不固定，与 key 在树中的位置有关。
   B+树叶节点两两相连可大大增加区间访问性，可使用在范围查询，而B树每个节点 key 和 data 在一起，无法区间查找。
   1、 B+树的磁盘读写代价更低：B+树的内部节点并没有指向关键字具体信息的指针，因此其内部节点相对B树更小，如果把所有同一内部节点的关键字存放在同一盘块中，那么盘块所能容纳的关键字数量也越多，一次性读入内存的需要查找的关键字也就越多，相对IO读写次数就降低了。
   2、B+树的查询效率更加稳定：由于非终结点并不是最终指向文件内容的结点，而只是叶子结点中关键字的索引。所以任何关键字的查找必须走一条从根结点到叶子结点的路。所有关键字查询的路径长度相同，导致每一个数据的查询效率相当。
   3、B+树更便于遍历：由于B+树的数据都存储在叶子结点中，分支结点均为索引，方便扫库，只需要扫一遍叶子结点即可，但是B树因为其分支结点同样存储着数据，我们要找到具体的数据，需要进行一次中序遍历按序来扫，所以B+树更加适合在区间查询的情况，所以通常B+树用于数据库索引。
   4、B+树更适合基于范围的查询：B树在提高了IO性能的同时并没有解决元素遍历的我效率低下的问题，正是为了解决这个问题，B+树应用而生。B+树只需要去遍历叶子节点就可以实现整棵树的遍历。而且在数据库中基于范围的查询是非常频繁的，而B树不支持这样的操作或者说效率太低。