21 | 哈希算法（上）：如何防止数据库中的用户信息被脱库？
1. 哈希算法要满足什么条件？
(1) 从哈希值不能反向推导出原始数据
(2) 原始数据只修改了一个 Bit，最后得到的哈希值也不相同
(3) 散列冲突的概率要很小
(4) 哈希算法的执行效率要尽量高效，针对较长的文本，也能快速地计算出哈希值。
2. 哈希算法的七个应用
(1) 安全加密，比如：
MD5 消息摘要算法，SHA 安全散列算法，DES 数据加密标准, AES 高级加密标准
(2) 唯一标识，比如：
生成图片的唯一标识。从图片的二进制码串开头取 100 个字节，中间取 100 个字节，最后再取 100 个字节，然后将这 300 个字节放到一块，通过哈希算法（比如 MD5），得到一个哈希字符串，用它作为图片的唯一标识.
(3) 数据校验
通过相同的哈希算法，对下载好的文件块逐一求哈希值，然后跟种子文件中保存的哈希值比对。
(4) 散列函数
为了将一堆数据实现平均分布，以及高效率。
(5) 负载均衡 (6) 数据分片 (7) 分布式存储 : 下一节讲。
3. 如何防止数据库中的用户信息被脱库？、
(1) 通过哈希算法，对用户密码进行加密之后再存储
(2) 引入一个盐（salt），跟用户的密码组合在一起，增加密码的复杂度
22 | 哈希算法（下）：哈希算法在分布式系统中有哪些应用？
1. 负载均衡
利用哈希算法替代映射表，可以实现一个会话粘滞的负载均衡策略。(同一个客户端上，在一次会话中的所有请求都路由到同一个服务器上)
2. 数据分片
通过哈希算法对处理的海量数据进行分片，多机分布式处理，可以突破单机资源的限制。
3. 分布式存储
利用一致性哈希算法，可以解决缓存等分布式系统的扩容、缩容导致数据大量搬移的难题。
具体说明查看 404,您访问的页面已经不存在!
https://www.cnblogs.com/moonandstar08/p/5405991.html
23 | 二叉树基础（上）
1. 概念
(1) 满二叉树： 除了叶子节点之外，每个节点都有左右两个子节点。
(2) 完全二叉树：叶子节点都在最底下两层，最后一层的叶子节点都靠左，并且除了最后一层，其他层的节点个数都要达到最大。
(3) 节点的高度：节点到叶子节点的最长路径(边的数目)
(4) 节点的深度：根节点到这个节点所经历的边的个数
(5) 节点的层数：节点的深度+1
(6) 树的高度：根节点的高度
2. 存储二叉树的方法，包括 链式存储法 和 顺序存储法。
(1) 链式存储法
节点有三个字段，一个存储数据，另外两个是指向左右子节点的指针。
大部分二叉树代码都是通过这种结构来实现的。
(2) 顺序存储法
根节点下标为1，左节点下标为2，右节点下标为3，以此类推。
节点 X 存储在数组中下标为 i 的位置
下标为 2 * i 就是左子节点
下标为 2 * i + 1 就是右子节点
下标为 i/2 的就是它的父节点
下标为 0 的存储位置不使用，i从1开始
3. 二叉树的遍历
(1) 前序遍历 : 中左右
(2) 中序遍历 : 左中右
(3) 后序遍历 : 左右中
24 | 二叉树基础（下）
1. 二叉查找树要求定义：
树中的任意一个节点，其左子树中的每个节点的值，都要小于这个节点的值，而右子树节点的值都大于这个节点的值。
2. 查找：
从根节点开始，要查找的值比根节点小的话，继续查左节点；要查找的值比根节点大的话，继续查右节点。
3. 插入：
新插入的数据是在叶子节点上的，所以不用考虑太多，遍历下去插入就行。
4. 删除：
分三种情况来处理
(1) 要删除的节点没有子节点的话，只需将其父节点指向它的指针置为null
(2) 有一个子节点，将父节点指向它指针改为指向这个唯一子节点。
(3) 有两个子节点，将右子树中最小的节点，替换到要删除的节点上。
5. 重复数据的二叉查找树
有重复数据的话，可以两种方式处理：
(1) 链表的方式，把值相同的数据都存储在同一个节点上。
(2) 新插入的数据当作大于来处理.
6. 时间复杂度:
跟树的高度成正比，也就是 O(height)
7. 二叉查找树相比散列表的优势：
(1) 输出有序数据： 散列表的数据是无序的，二叉查找树，只需中序遍历就能输出有序数据。
(2) 扩容耗时： 散列表扩容耗时更大。
(3) 复杂程度： 散列表复杂一点，需要考虑散列函数，冲突情况更多。
附：
散列表：插入删除查找都是O(1), 是最常用的，但其缺点是不能顺序遍历以及扩容缩容的性能损耗。适用于那些不需要顺序遍历，数据更新不那么频繁的。
跳表：插入删除查找都是O(logn), 并且能顺序遍历。缺点是空间复杂度O(n)。适用于不那么在意内存空间的，其顺序遍历和区间查找非常方便。
红黑树：插入删除查找都是O(logn), 中序遍历即是顺序遍历，稳定。缺点是难以实现，去查找不方便。其实跳表更佳，但红黑树已经用于很多地方了。
25 | 红黑树（上）
1. 平衡二叉树的定义:
任意一个节点的左右子树的高度相差不能大于 1。
2. 平衡二叉树的价值：
不会出现左子树很高，右子树很矮的情况，插入、删除、查找的操作效率比较高和稳定。
3. 红黑树的定义：
不严格的近似平衡二叉查找树。包含两个意义：
(1) 不严格： 并不完全符合平衡二叉树的定义。
(2) 近似平衡： 性能不会退化得太严重。
4. 红黑树的要求：
(1) 根节点是黑色的
(2) 叶子节点都是黑色的空节点，不存储数据.
(3) 相邻两层的节点不能同时为红色，即：红色节点被黑色节点隔开
(4) 每个节点，从该节点到达其可达叶子节点的所有路径，都包含相同数目的黑色节点
26 | 红黑树（下）
暂时略过
27 | 递归树
1. 借助递归树来分析算法时间复杂度的原因：
(1) 递归树每一层操作消耗的时间总和是一样的
(2) 树的高度 h，乘以每一层的时间消耗 n，就可以得到总的时间复杂度O(n∗h)
2. 以下三个例子可以使用递归树的方式算时间复杂度：
(1) 快速排序
(2) 斐波那契数列
(3) 数据集的 全排列 操作
28 | 堆和堆排序
1. 堆的定义：
(1) 是一个完全二叉树
(2) 每一个节点的值都必须大于等于（或小于等于）其子树中每个节点的值
(3) 大于等于子节点的叫大顶堆，小于等于子节点的叫小顶堆。
2. 堆的两个操作： 插入元素 和 删除堆顶元素。 操作完后还要做调整保持堆的特性，叫做“堆化”
(1) 插入元素：
在最后位置插入元素，从下往上做比较和替换操作。
(2) 删除堆顶元素：
删除堆顶元素后，把最后一个元素放到堆顶位置。然后针对堆顶做堆化。
3. 堆排序的操作分两步： 建堆 和 排序
(1) 建堆：
直接把数组视为一个堆（完全二叉树的规则），从数组的后面往前，找第一个非叶子结点，向下做“堆化”。重复直至第一个结点，就完成了建堆。
(2) 排序：
完成建堆后，根节点就是最大的结点，直接和数组最后元素替换(正在做从小到大的排序)，然后对剩下的n-1个结点做堆化(也就是最大结点脱离堆)。重复直至只剩下标为 1 的一个元素，排序工作就完成了。
4. 堆排序没有快速排序好的原因：
(1) 快速排序顺序访问数据，对CPU缓存友好。但堆排序不是。
(2) 堆排序数据交换次数更多。因为建堆的过程会打乱数据原有的相对先后顺序，导致原数据的有序度降低。
5. 堆排序比快速排序好的地方：
堆时间复杂度比较固定，O(N*log2N)
快速排序平均情况下是O(N*log2N) ，最坏情况下是O(N平方)
6. 优先级队列定义
队列具有先进先出的特性，而优先级队列是按照优先级来进行处理。要选出优先级最高的元素则可以借助堆来完成。
7. 利用优先队列（即大或小顶堆）自动调整顺序的步骤：
(1) 将n个数组的第一个元素构建优先队列（小顶堆）
(2) 重复下列步骤n*m次：
a. 每次从堆中取出最小元素（堆顶元素），并将其存入输出数组中
b. 用堆顶元素所在数组的下一元素将堆顶元素替换掉
c. 如果数组中元素被取光了，将堆顶元素替换为无穷大。每次替换堆顶元素后，重新调整堆
29 | 堆的应用
1. 优先级队列，具体例子：高性能定时器
把任务按照执行时间，存储在优先级队列中。最优先的先执行，把计算它的执行时间与当前时间的差值。然后就可以根据这个差值作为执行下个任务的等待时间，不需要每秒轮询任务表。
2. 求 Top K：
一直维护一个 K 大小的小顶堆，需要查询当前的前 K 大数据，可以立刻返回
3. 求中位数：
把数据队列用两个堆来维护，分成大顶堆和小顶堆。
逐个数据建堆的时候，持续调整和保证两个堆的数目相同或者相差1，并且保证一个是大根堆一个是小根堆。
大顶堆或小顶堆的头部就是中位数。
4. 求99% 响应时间
把数据根据响应时间，建成两个堆(大顶堆和小顶堆)。大根堆堆顶就是排99%的响应时间值。
插入数据时，值比大根堆顶小的，就放大根堆(这是时间小于第99%的)。否则放小根堆。
5. 取到热门榜 Top 10 的搜索关键词(10 亿个)
把10亿个词求hash值，放到散列表中。散列表就存储了不重复的关键词和出现次数。
再构建大小为10的大顶堆。 获得结果
30 | 图的表示：如何存储微博、微信等社交网络中的好友关系？
1. 图相关概念的定义：
无向图、有向图、带权无向图，邻接矩阵存储法，如下：
邻接表如下：
2. 邻接矩阵存储法优劣点：
优点：查询效率高，方便矩阵运算
缺点：比较浪费空间
3. 邻接表
优点：节省存储空间，
缺点：链表不方便查找，查询效率没有邻接矩阵存储方式高。但可以把链表改为二叉查找树、跳表、散列表来改进。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
