很久之前,我写了一次亲身面试经历,在面试阿里的时候,有一题引起了我的思考,详情看这里:
当时获得了很多读者朋友的反馈,大家兴趣盎然,回答都很详细,看得出来都很用心。包括知乎以及 CSDN 上的反应都很强烈。各自对数据库原理的理解不同,因此解法也都各异。
有一位朋友的解法引起了我相当大的兴趣,且不说最终解法是否正确,单看他的思路就很奇特,我贴出来大家一起分析:
这位朋友提到的 IBLT,是个比较新的数据结构,始创于2011年,主要应用场景来自于区块链共识算法。更深入的不在这里讨论,涉及区块链或者比特币的事情,暂时回避。有兴趣的朋友可以看下面的文章:
https://gist.github.com/gavinandresen/e20c3b5a1d4b97f79ac2
Set reconciliation means finding the difference between two sets of data.
Invertible Bloom Lookup Tables (IBLTs) are a new (described in 2011) data structure that can be used to solve the set reconciliation problem.
https://gist.github.com/gavinandresen/e20c3b5a1d4b97f79ac2
随着深入挖掘下去,IBLT 引出来一个基础概念,就是布隆过滤器(Bloom Filter),当然如果是科班的同学,对布隆肯定很熟悉。
它的原理是这样的:
首先,使用位数组,有向的记录每个元素的hash值位置:
从左往右,以0-7记录每个比特(bit)的位置,每个比特位置可以存储0或者1,有1的地方代表了某个值可能出现,这个值究竟有多少个1组成,分布在哪些位置,都是由hash函数决定。
第二要素,hash 函数
比如我使用简单的取模函数,将每个字母的ASCII码值取模作为hash值,存到这位数组中,可以得到这样的结果:
hash函数我们采用 T-SQL来写:
CREATE FUNCTION dbo.fnHashByNine(
@Number Int
) RETURNS int
AS
BEGIN
RETURN ( SELECT @Number % 9 )
END
GO
取样字母的ASCII码HASH值求法:
SELECT Name
,ASCII(Name) AS AsciiMark
,dbo.fnHashByNine(ASCII(Name)) AS Remainder
FROM (
SELECT DISTINCT LEFT(Name,1)AS Name
FROM sys.objects
) RSL
ORDER BY 2 ASC
最终排列到位数组,就成了刚才的那图:
第三要素,匹配输入的字母:
假设我们要判断 s(小写)是否在当前的集合中时, 首先求其 ASCII码,是 102, 取模后hash值为 7,此时 7 个位置,正好是空着,那意味着s不在此位数组中。众所周知,数据下标访问元素,时间复杂度为O(1),时间恒定。
聪明如你肯定会想到,如果能将这种方法用在判断两个集合中数据重合的可能性,那速度将会超快。是的,真如你所愿,各种数据库都实现了这类算法。我们将一一将其拨开来讲,这是第一篇。
猜你喜欢: