HASH GAME - Online Skill Game GET 300

　　好，我们建一个什么 m， 然后建一个闷函数。首先我们要了解三个基础知识，第一个是尺寸，它是由 ｃｈａｒ 数组组成的， 然后第二个是我们需要看一下时顺的 hot core 的方法， 它实际上是第一位乘以三十一，再加上第二位的。 呃，这个 int 值，它实际上是这这个 were were 这儿加了备注， 所以说它这儿 one 六点 nance 就是这个叉数组的最大 大长度。第一位，第一位乘以三十一，再加上当前这个 i， 当然最开始 h 是零， h 是零， h 这个边呢？最开始的 h 是零，然后我们看下标 i 等于零的时候，这儿是直接取第一个 i 等于一的时候， h 这个值已经变了， 变成零下标那个 ｃｈａｒ 的 in 的值了。呃，然后第一个乘以三十一，再加上当前是第二位了，然后第三位，同样的是把第二位乘以三十一，再加上第三位。 好，这是 house core 的最后返回一个 int， 就是返回这个 h， 当然这个 houses 它的中间变量。呃，内部变量咱们先不管，最后返回这个 house core 的变码值， 然后就有这么一个想法了，呃，我怎么产生相同的 highcore 的，并且是不同的这部串呢？那我们首先要了解一下，呃，这个 字符 ｃｈａｒ 类型的，呃，的变量变成这个 in， 它有哪些规律啊？ in 零到一百吧。 好，这格式一会我再调啊，不浪费大家时间，走你。 其实就是这个，我之前做的一些实验可以打印出来了，零，基本上零到三十二他都是这个不可见制服看打印了看不看不出来，在屏幕上， 这个咱们先不用管它，然后我们就用这些看得见字符去用就好了， 下面就是一个退礼。假如说我们第一位就取零，那么它的 inter 值就是四十八， 那如果说我要，呃，因为刚才我们看到他是有就是三十一，呃呃，依次递增的这么一个计算方式，就是下一位会， 就是酱油会， 我们看他的原码可以知道，如果说这两个数 我们可以看到它，我们可以看到这个哈西 cord， 它是有，每一次它要计算两个值，一个字值是前面儿的，嗯， 前面的 high score 的值，前面位数，另外一个数是当前的 high score 的，那么我们就有一个想法呢，如果说我们就用 两个不同的 chart， 它们的和如果相等，那么 hash cord 就相等。这样的两个不同的 chart， 我们要找出多组来，这多组的 harcy cord 值都是相等的， 意思是什么呢？假如说我是第一个是零， 这是 ｃｈａｒ 变量啊， ｃｈａｒ 变量的零。然后我们设计下面一个是一零的话，我们可以看到这儿是四十八，它的 inter 值一的话，它这儿的是四十九， 但是我们看它的 high 扩的编码就知道了。呃，第一个是我们现在要求第二个第二位，第一位的话它将会是四十八 乘以三十一，这将是四十九乘以三十一。 那我们当取第二位的时候，我们就要考虑到第一位的它形成了这个不同的哈西，那么它们差异呢？是就差了一个三十一嘛。 然后所以说我们后面这个呢就取大一点的。我们假如说举个例子啊，比如说我们第一个我们，哎不，第 二个我们取一个 a， 这取个 a， 取个 b 吧，以免除取个 b 吧。六，这就是 四十九乘以三十一，再加六十六。那这个时候呢？我们第一如果要使它的 has code 相等，这儿这儿取什么呢？啊？这是四十八 乘以三十一，再加上和上面那两个字，看一下啊。首先我们要加一个三十一，就跟上面四十九乘以三十一相等了，我们再加六十六， 其实意思就是说我们这个值可以推出来，我们需要一个值是九十七的 这么一个值，那九十七又等于什么呢？我们查一下这个表，九十七九十七刚好是等于小 a。 好，那我们就可以知道这个词这个值是小 a。 那我们最后来打印一下这两个是不是相同？ e b 和零 a 是不是相同？它们的哈西值 e b 点儿哈西扩大，零 a， 哈西扩大跑一下 比较慢，它但是打印出来了两个 hearticle 的值都是幺五八五， e d 和零 a 的。好，今天的呃，这个小分享就结束了。

　　一致性哈士原理实现项目中是如何使用一致性哈士的？引入了多少虚拟节点？我们的一致性哈士算法呢，在很多领域里面都有用到，比如说我们的 ng x， 比如说我们的 double， 那里面的负载军的算法呢，都有用到一致性哈士算法，那么我们的哈西算法和一致性哈士算法有什么区别呢？哈西算法想必大家都很熟对吧？ 他把一段任意长度的消息能够转变成一段固定的，比如说我们的 m d 五，或说我们的哈西 max 里面的哈西勾的嘛，对吧？那么一致性哈西上法呢？它实际上在我们的哈西上法基础之上，它又增加了我们环形空间，虚拟节点等等啊，那么对于这两个呢，大家在这里混个眼熟就可以啊。那么在后面呢，我们会跟大家详细的讲解 我们一致性哈气算法最主要的一个目的，它就是解决了我们在分布式哈气表里面，它里面存在一个动态伸缩问题啊，怎么理解呢？我们来通过一个场景去进行一个举例，我们看到下面这张图，假设我们有三台缓存服务器，主要的一个作用呢是用来缓存图片，我们会为这三台服务器呢有个编号 abc， 假设我们有三万张图片需要缓存，我们希望这些图片呢能够很均匀的分布在这三台机器之上，那么也就是每一台服务器大概一万左右，对吧？我们应该怎么去做呢？在我们的负载军算法里面，我们是有轮巡，对吧？ 我们通过轮巡算法呢，确实能够很均匀的分布啊，但是那这样做呢，会有一个很严重的问题，假设我们要去读取一张图片，我们需要去便利这三台机器节电，然后从三万个缓存里面去找到我们需要访问的缓存啊， 那么这样的一个便利效率呢，是非常非常之低的，那么对于我们用户呢，他身上也无法接受，同时呢这也失去了缓存的意义，对吧？ 我们本身缓冲的目的，他就是为了提高速度吗？改善我们用户的体验，如果我们每一次访问都需要去便利的话，那基本上就是扯淡了，对吧？那么我们还有没有什么其他的方式呢？各位小伙伴也可以把自己的想法打在我们的弹幕上或者评论区都可以啊。如果我们要去解决这个数据定位的问题，我们最原始的做法，我们是不是可以通过 对我们缓存的这个键值去进一个哈吸嘛？对不对？然后我们把哈吸后的结果，然后对我们缓存服务器的数量去进一个取膜操作，那么取膜之后的结果，他就决定了我们缓存在哪台机器里面，尽管我们下一次访问的时候，我们同样能够根据这个 t 去进一个取膜，也能定位到那台机器，对吧？ 我们可以看到下面这个公式啊，我们把文件名去进一个哈西，哈西之后再去进一个取魔运算，如果等于零，那么就到 a， 如果等于一，那么就到 b， 如果等于二，那么就到 c， 那么是不是就解决了我们数据定位的问题呢？是吧？这种方案呢，看似很完美，但是我们仔细去想一想，他其实还是会有些缺陷的， 假设我们三台服务器已经不能够满足我们的需求了，我们这边三万的图片呢，变成了五万，变成了八万，那么这个时候我们是不是可能就会对我们机器去进一个扩容吗？对吧？可能会有 d 啊，会有 e， 如果这个时候我们还是采取的这种哈气的方式去进行取膜，得到的结果必定不是 我们原来的机器的，对吧？很大概率不是啊，这种情况他所带来的一个后果呢，就是当我们服务器变动的时候，我们所有的缓存位置他都要改，不论是我们增加了一台还是删除了一台，那么我们的缓存是不是就代表着失效了？而我们的应用呢，也无法从我们缓存里面去拿数据了，他可能会像我们后端，他可能会向后端服务器去请求数据， 如果大量的缓存在同一时间都失效了，那么就很有可能会造成我们缓存血崩的一个现象啊。那么这个问题我们怎么去解决呢？为了解决这个问题呢，所以就诞生了一致性哈气算法啊。那一致性哈气算法是怎么解决的呢？我们再一起来分析一下。 我们来看到下面这张图啊，其实我们一次性哈气算法呢，他也是使用的取魔的方式，只不过我们刚才所描述的是按照服务器的数量来取魔，对吧？而一次性哈气算法呢，他是对二的三十二次方来去进行取魔。我们来看一下啊，首先我们把二的三十二次方我们 去想象成他是一个圆形啊，就跟我们的钟表一样的，我们钟表的圆，我们是由六十个点组成的，对吧？十分秒，而在这个地方，我们把这个圆想象成二的三十二次方所组成的一个圆啊，从最开始的这个点我们把它表示为零，然后到后面以此类推下去， 直到最后，那么就是我们三十二次方减一啊，也就是我们起点最左侧的一位啊，那么我们可以把这个圆呢称为我们的哈西环， 那一次性哈气算法和我们图上的这个圆有什么关系呢？我们接着来聊啊，还是以我们前面的那个场景跟大家去举例， 假设我们有三台缓存服务器是吧？ a、 b、 c。 那么在生长环境里面，这三台服务器他是不是有自己的 ip 地址，我们可以把他们各自的 ip 地址呢去进行一个哈西计算使用哈西后的结果。然后呢对二点三十二次方去进一个曲模，当我们得 得到结果之后，我们就把每一台服务器呢就映射到这个环里面，就跟大家所看到这张图一样啊，那么到现在我们是不是已经把缓存服务器和我们的哈西环已经联系到了一起，对吧？那么对于我们的请求，我们还是可以采用同样的方式，我们也需要把我们缓存的对象也映射到我们哈西环里面。我们来看下面一张图， 我们的业务逻辑呢还是不变，我们需要去使用我们的缓存服务器去缓存我们的图片嘛，而且我们同样可以使用图片的名字去作为我们的 k 啊，那么同样的，我们拿到 k 之后，我们是不是也可以映射到我们图上的哈西环里面，对吧？当我们映射完成之后，那么我们的请求他是怎么找到我们服务器的呢？我们可以看到下面我们画了一个蓝色的虚线啊， 他是通过顺时针的方式找到最近一个节点的机器，我们的漏斗 a 呢，找到了我们的思维，我们漏斗 b 呢找到我们的 cob， 我们漏斗 c 呢找到了我们的 severalc， 我们的一次性哈气算法呢，他就是通过这种方式，他去判断一个对象，他 应该被缓存在擂台服务器上面，所以我们在服务器不变的情况下，我们一张图片他一定会被缓存到一个固定的服务器上面，对吧？那么当下次我们想要访问这张图片的时候，我们还是采取一样的逻辑去进行计算，那么我们也就能知道我们这张图片他被缓存在了擂台机器之上。那么对于一致性哈气算法的原理呢？我相信大家都已经明白了， 但是话又说回来，我们前面跟大家所抛出的那个问题是我们去进行的机器节点的增加或者说缩减，对吧？他可能会产生一个血崩的现象，如果说我们使用一致性哈气算法，他能够避免吗？我们来模拟一遍， 假设这个时候我们的 b 服务器他出现了一个故障，那么我们节点 b 的请求他再去获取我们缓存数据的时候，他会从这个位置出发，然后通过顺时针的方式去进行寻找，那么他找到的机器是我们的 sword c 对不对？而我们的节点 a 的数据是不是依旧是存放在我们 sword a 里面，只有我们请求 b 的数 数据，他才发生了一个变化，对吧？那么相对比我们之前我们使用哈西算法，我们所有服务器里面的缓存都有可能会失效，对吧？那么使用一致性哈西算法，如果说我们服务器的数量发生了改变，他也只会导致一小部分的缓存失效吗？而我们的前端的缓存呢，仍然能够分担我们整个系统的压力， 也不至于把所有的压力在同一时间里面都打到我们的后段服气里面去啊。这个呢，就是我们一次性哈气算法的一个优点，想象是美好的，但是实际上他可能还会有些其他的问题，我们来跟大家去看一下啊。 假设我们把服务器的 ip 地址去进行取模的时候，当他的一个离闪性非常差的时候，他是不是有可能我们三台机器都被连续的放在了一个位置啊？而我们缓存的数据有可能都在我们这个左边，对不对？ 我们来看一张图啊，是吧？那么这个时候我们是不是所有的请求都有可能会打到我们 severe a 里面去，对吧？而我们的 severe b 和 severe c 呢？它里面甚至连一张图片都没有，那么我们 a b、 c 三台服务器它就没有平均 分配了，对吧？如果说这个时候我们的福气 a 它出现了故障，那么我们失效缓冲的数量也就达到了一个最大的值啊。在一个极端的情况里面，也有可能会导致我们系统的崩溃，我们会把这种情况称之为我们哈西环的倾斜，那么这种倾斜问题它能解决吗？实际上是可以的啊， 在我们一致性哈西算法里面，他会用到一个叫做虚拟节点的东西，他就解决了我们这个问题啊，具体怎么实现的呢？我们接着来看，由于我们只有三台服务器啊，当我们把服务器映射到我们这个哈西环里面的时候，很有可能会出现我们哈西环的倾斜，对不对？那么我们的缓存极有可能会分布在一台机器里面，是吧？ 而我们要去解决这个问题的话，我们是不是应该让这三台服务器尽可能的多的，尽可能的均匀的出现在这个哈西环里面，是不是？但是我们真实的服务器资源只有三台，怎么让他多起来呢？这个呢，就是我们虚拟节点的一个作用啊，既然没有多余的物理节点，那么我们就把现有的这几个物理节点通过虚拟 方式我们去复制一些节点出来，那么在这个位置呢，我是复制了三台啊，这边本身的物理节点是 a、 b、 c， 对吧？而我们虚拟的三台呢，叫做 c、 b、 a， 这个呢，也并不是说一定要一对一啊，他身上是可以一对多的。我们从这个图里面我们去看到，尽管我有三个请求，他在映射到哈西环里面的时候，都在我们这个圆的左边，但是我们虚拟了节点之后， 我们会发现，我们这三个请求他都能够去找到对应的机器，对吧？也不会导致所有请求呢都压在一台机器里面，如果你觉得只虚拟三台呢，太少了的话，那么你也可以虚拟出更多的节点啊，那么这样呢，也能够更好的去解决哈气环倾斜所带来的一些影响，我们虚拟节点越多，那么哈气环上的节点就越多，对吧？而我们的缓存呢，他就能够越均匀的被分布 好，那么这个呢，就是我们关于一致性哈西算法的一个讲解啊。

　　啊，抖音上还有加袜支付呀。你好。哎，你好，你讲一下这个哈西 map 底层用的什么数据结构？嗯，哈西 map 底层的数据结构，这个在 j t k 一点七中，哈西 map 的底层数据结构是数组加链表， 在 jdk 一点八中，链表这里可能转化成红黑树。嗯，你哈士亮比的这个链表什么时候能够转化成红黑树？ 这个这个就当哈西 map 理链表中的元素个数大于八，并且数组的长度大于等于六十四时，才会将链表转为红黑数。嗯，还可以啊，那为什么这个哈西 map 的链表呢？转化的是红黑数而不是平衡二 二叉数呢？这个不太清楚，感觉就是横汇数和平衡二叉数。这种对应健身来说是不是就是有点太复杂了？ 嗯，也对啊，那要不讲一个哈西 map 的扩容机制吧。哈西 map 的扩容机制？嗯，这个我知道的，就是如果数组的长度达到初始容量乘以负载因子，再插入元素，就需要扩容操作嘛。 扩容就分为两步，首先就是创建一个新的 ancieno 的空数组，然后长度是原数组的两倍， 其次是，呃，便利原 ancieno 的数组，把所有的 ancieno 的节点重新哈吸到新数组。嗯，那哈吸算法是怎么实现的呢？呃，这个，这 歌也不是很清楚哎，感觉你对这个算法基本上是一无所知啊。我看抖音上好像不是有个扎瓦之父吗？初中学历就可以手写哈奇迈普呀，这个应该很简单吧。啊，抖音上还有扎瓦之父呀。哎，好吧，那就这样吧，拜拜。嗯，拜拜。拜拜。

　　这个视频给大家介绍一下。 首先将未知作用对象的 mod 导入到第三 d x skin mine 内中，这里用这个 mod 作为未知对象的 mod 进行演示。导入后由于不知道作用对象是谁，所以先随便起一个对象名， 这里就写未知了。完成导入后，加在这个 mod 触发检测机制可以看到，这里检测到和新海的 mod 发送了冲突，这大概率就说明这个 mod 作用于新海 上。将这个未知的 mod 的作用对象修改为心海，即可避免冲突发生。炸魔。修改完成后，你可以加在这个测试 mod 进游戏中进行确认，这里就不进行确认演示了。 这种方法有个前提，需要你检测的 mod 的作用对象需要有 mod 正在加载中才行。所以如果导入未知 mod 加载后没有发生冲突，则需要你加载一下其他为加载的 mod 尝试触发检测。 如果都加载完后还无法触发，则该未知莫得不在你现有的所有对象之中。建议这个时候去询问下作者是作用于谁的。那么本视频到此结束，下个视频再见。

　　这个面试会的多也是错吗？你好你好。哎，你好，我看你简历上写了一个负载均衡。啊，那要不讲讲看负载均衡有哪些算法？ 负载均衡的算法？嗯，这个就是有轮循随机加权，还有哈西算法和哈西一致性算法。嗯，背的还挺熟练的啊，那你这个项目里面是怎么实现负载均衡的呢？通过 nginx。 那 nginx 具体怎么实现的呢？嗯， 这个就是 ng 克斯里边就是有个配置吗？好像是叫 upstream， 然后在这里配置一下就 ok 了。嗯，那 ng 克斯这个附带均衡在 osi 的哪一层？ 嗯，恩，金克斯的负载均衡可以在 o s i 的第四层，也就是说传输层也可以在 o s i 的第七， 也就是应用层。其中四层负载均衡是通过 stream 模块来配置的，然后七层是通过 upstream 这个模块来配置的，而且就是 ngke 一点九版本后才有 stream 模块。 你是应届生啊？对的对的，我是应届生，今年刚毕业。那你是到现在还没有找到工作吗？主就是主要今年找工作比较准嘛，然后我这个学历就只是二本，不太好找。 我觉得可能不是学历的问题，是你这个会的好像真的太多了，不是很正常。这个面试会的多也是错吗？要不我们内部先研究一下吧，今天先这样啊，拜拜。嗯，好吧，拜拜。

　　hash map 是如何解决 hash 冲突的？首先， hash map 底层采用了数组的结构来存储数据元素，数组的默认长度是十六。当我们通过 put 方法添加数据的时候， hash map 根据 key 的 hash 值进行曲模运算， 最终保存到数组的指定位置。但是这种设计会存在 have 冲突问题，也就是两个不同 has 值得 key 最终曲模后会落到同一个数组下标，所以 hash map 引入了链式巡止法来解决 have 是冲突问题。对于存在冲突的 key， hash map 把这些 key 组成一个单向链表，然后采用尾插法把这个 key 保存到链表的尾部。另外，为了避免链表过长的尾 问题，当链表长度大于八，并且数组长度大于等于六十四的时候， hash map 会把链表转化为红黑数，从而减少链表数据查询的时间复杂度问题，提升查询性能。 最后再补充一下，解决 has 冲突问题的方法有很多，比如一在 has 法就是如果某个 has 函数产生了冲突，再用另外一个 has 进行计算，比如不容过滤器就采用了这种方法。二，开放巡止法， 就是直接从冲突的数组位置往下寻找一个空的数组下标进行数据存储，这个在 threat local 里面有使用到。三，建立公共溢出区，也就是把存在冲突的 key 统一放在一个公共溢出区里面。

　　汤姆老师咨询一个面试题，哈西麦普应该如何解决哈西冲突？哈西麦普的底层的话，是采用数据的结构来存储数据元素的，当我们去调用铺的方法添加数据的时候，哈西麦普呢，就会根据 k 的哈西值 取磨运算啊得到一个数值，那么这个数值呢，用的是哈西麦普底的这个数组的下标位置， 所以呢，兔子的数据呢，最终会保存在数组的下标对应的位置上。所谓哈西冲突呢，就是哈西麦普在铺头值的时候呢，有两个不同的哈西值的 t， 他有一定的几率呢会落到同一个数组下标上， 也就是说他们的哈西直取模之后会得到同一个结果。所以呢，哈西麦为了解决这么一个问题呢，就引入了一个面试寻指的方法，也就是说，哈西麦部呢，会把这些存在冲突的 t 组成一个单 向列表，采用尾插法，把这些 t 呢插入到列表的一个尾部。另外呢，为了避免列表过长而影响查询效率，他先迈普呢，再检测到列表长度，他大于八，并且呢速度长度呢大于六十四的时候呢，他先迈普呢，会把这个列表转化为红黑数， 从而去降低列表数据查询的时候的一个实现复杂度，达到一个提升产生信任的目的。除了逆势行驶方案，还有哪些方法是可以避免哈气冲突的呢？ 计划连号跳槽，一定要提早准备，给大家准备了一份加瓦程序的一个求职突击手册，包含简历模板， 念诗突击押题一周的一个技术提升和加瓦提升的一个完整学习路线。领取方式呢？放在我视频主页，以色在手，保你高薪无忧。今天我就总结三种吧。第一种的话是在哈西法，也就是说 如果某个哈西函数产生了冲突，再用另一个哈西函数进行计算，比如说不能过滤器，就是采用这种方法。那第二种呢，就是开放性处罚，也就是说直接从冲突的数组的位置往下寻找一个空的数字下标，然后呢对数据进行存储， 图书在随着 logo 中就会有熟的这种方法。第三种呢，就是可以去建立一个公共的易出区，然后呢把存在冲突的 k 统一存在一个公共的易出区里面进行统一处理。

　　哈喽，大家好，我是麦克，今天我们来分享一道工作一年左右的一个面试题，最近很多粉丝在面试的时候啊，都会遇到这样一个问题，这个问题是哈西麦是如何去解决哈西冲突的？很多人觉得这个问题很简单啊，但是我认为高手的回答会更好一点。文字本的回答已经整理好了，大家可以在我的主页去加微领取啊。 下面我们来看看普通人和高手对于这个问题的回答。普通人的回答，嗯，哈西麦不解决哈西冲动方式，呃，我记得是用那个链表的方式，用单向链表就说，嗯，如果承认哈西冲动的话，他会把那个纯纯的冲突这样一个一个间直，对啊，会保存到那个链表的尾部， 嗯，对，是这样的。嗯，高手的回答，好的，这个问题呢，我需要从几个方面来回答，首先啊哈西麦部底层是采用了数组的这个结构来存储数据元素，数组的默认长度呢是十六。当 我们通过破的方法去添加数据的时候，啊哈西面不会根据 k 的哈系直进行曲模运算，最终把这样一个直啊保存到数组的一个指定位置。但是这样一个设计方式会存在哈系冲突的问题，也就是说两个不同哈系直的 k 最终取模以后会落到同一个数组下标。 所以啊，哈西迈步引入了一个烈士巡视法来解决哈西冲出的问题。你说对于存在冲突的 k 呢？哈西迈步把这些 k 组成一个单向链表，然后采用尾插法把这个 k 呢保存到链表的一个尾部。 另外，为了避免链表过长导致我的查询效率下降，所以当链表长度大于八，并且速度长度大于等于六十四的时候，啊哈西曼不会把当前的链表转换为红横竖，从而去减少链表数据查询的一个实践复杂度的一个问题，来提升查询效率。 最后再补充一个点啊，解决哈西冲突方法有很多，比如说第一个在哈西法，比如说如果某个哈西函数产生了冲突，那么再用另外 哈西函数进行计算，比如说像波龙过滤器就采用这样一个方法。第二个开放寻指法，就是说直接从冲突的数组位置向下去寻找一个空的数据下标进行数据的存储，这个在 svr 的 logo 里面有使用到。第三个是建立公共溢出区，也就是说把存在冲突的 t 统一放在一个公共的溢出区里面去进行存储。 以上就是我对这个问题的一个理解，哈西充的这个问题呢，在业务开发的过程中啊，比较少遇到，但是从解决问题的方法里面，我们可以学到很多技术的设计思想，不管是为了面试还是为了长期的职业发展，我认为这个技术点都是有必要去深度理解的基础知识。 好的，本期的普通人 vs 高手的面试系列视频就到这结束了，喜欢我的作品的小伙伴记得点赞、收藏加关注，我是麦克，一个工作了十四年的家务程序员，我们下一期再见。