《数据结构与算法之美》15——散列表如何实现工业级别的散列表

Posted 2020-12-14 liang24

通过上一节的学习，我们知道，散列表的查询效率并不能简单说成是O(1)。它跟散列函数、装载因子、散列冲突等地都有关系。

 

今天我们来学一下，如何设计一个可以应对各种异常情况的工业级散列表，来避免在散列冲突的情况下，散列表性能的急剧下降，并且能抵抗散列碰撞攻击？

 

下面我们从散列函数、装载因子、散列冲突等方面介绍一下如何设计。

 

如何设计散列函数？

1. 散列函数的设计不能太复杂。

过于复杂的散列函数，会消耗很多计算时间，间接影响到散列表的性能。

 

2. 散列函数生成的值要尽可能随机并且均匀分布。

这样能避免或最小化散列冲突，即便出现冲突，散列到每个槽的数据也会比较平均。

 

常用的、简单的散列函数设计方法有数据分析法、ASCII码法、直接寻址法、平方取中法、折叠法、随机数法等等。这些只要了解就行了，不需要全都掌握。

 

装载因子过大了怎么办？

上一节讲到，散列表的装载因子越大，说明散列表中的元素越多，空闲位置越少，散列冲突的概率越大。

 

对于动态散列表来说，数据集合是频繁变动的，无法事先申请一个足够大的散列表。随着数据慢慢加入，装载因子就会慢慢变大，到一定程度后，散列冲突就会变得不可接受。这个时候可能通过“动态扩容”来解决。

 

针对散列列，当装载因子过大时，重新申请一个更大的散列表，将数据搬移到这个新散列表中。假设原来的散列表的装载因子是0.8，扩容2倍空间后，新散列表的装载因子就变成0.4了。

 

装载因子阈值需要选择得当。如果太大，会导致冲突过多；如果太小，会导致内存浪费严重。

 

装载因子阈值的设置要权衡时间、空间复杂度。

 

如何避免低效地扩容？

大部分情况下，动态扩容的散列表插入一个数据都很快，但在特殊情况下，当装载因子已经到达阈值，需要先进行扩容，再插入数据。这时候，插入数据就会变得很慢，甚至会无法接受。

 

举个极端例子，如果散列表当前大小为1GB，要想扩容为原来的两倍大小，就需要对1GB的数据重新计算哈希值，并从原来的散列表搬移到新的散列表，相当耗时。

 

为了解决一次性扩容耗时过多的情况，可以将扩容操作穿插在插入操作的过程中，分批完成。当装载因子触达阈值之后，只申请新空间，但并不将老的数据搬移到新的散列表中。

 

 

 

通过这样均摊的方法，将一次性扩容的代价，均摊到多次插入操作中，就避免了一次性扩容耗时过多的情况。这种实现方式，插入一个数据的时间复杂度是O(1)。

 

如何选择冲突解决方法？

1. 开放寻址法

当数据量比较小、装载因子小的时候，适合采用开放寻址法。这也是Java中的ThreadLocalMap使用开放寻址法解决散列冲突的原因。

 

2. 链表法

基于链表的散列冲突处理方法比较适合存储大对象、大数据量的散列表，而且比起开放寻址法，它更加灵活，支持更多的优化策略，比如用红黑代替链表。

 

工业级散列表举例分析

以Java中的HashMap举例分析一下，工业级的散列表是怎么做的。

 

1. 初始大小

HashMap默认的初始大小是16，如果事先知道大概的数据量，可以设置。通过修改默认初始大小，减少动态扩容次数。

 

2. 装载因子和动态扩容

最大装载因子默认是0.75，当HashMap中元素个数超过0.75 * capacity（capacity表示散列表的容量）的时候，就会扩容，每次扩容为原来的两倍大小。

 

3. 散列冲突解决方法

HaspMap采用链表法来解决冲突。在JDK1.8中，引入了红黑树进行优化。

 

4. 散列函数

散列函数的设计并不复杂，追求的是简单高效、分布均匀。

 

int hash(Object key) {
    int h = key.hashCode()；
    return (h ^ (h >>> 16)) & (capitity -1); //capicity表示散列表的大小
}

public int hashCode() {
    int var1 = this.hash;
    if(var1 == 0 && this.value.length > 0) {
         char[] var2 = this.value;
        for(int var3 = 0; var3 < this.value.length; ++var3) {
            var1 = 31 * var1 + var2[var3];
        }
        this.hash = var1;
    }
    return var1;
}