Redis源码阅读（一）跳表

Redis跳表实现详解

跳表只在Redis的有序集合中用到了。

• 什么场景下会需要用到跳表和红黑树
• 普通链表的查找复杂度，为什么双向链表可以降低查询复杂度

1. 核心数据结构

1.1 跳表节点

typedef struct zskiplistNode {sds ele;                  // 成员对象(键)double score;             // 分值struct zskiplistNode *backward;  // 后退指针struct zskiplistLevel {struct zskiplistNode *forward;  // 前进指针unsigned long span;             // 跨度} level[];                // 柔性数组，每个节点的层
} zskiplistNode;

1.2 跳表结构

typedef struct zskiplist{struct zskiplistNode *header, *tail;unsigned long length;int level;
}zskiplist;

2. 核心功能实现

2.1 创建跳表

zskiplistNode *zslCreateNode(int level, double score, sds ele){zskiplistNode *zn = zmalloc(sizeof(*zn)+level*sizeof(struct zskiplistLevel));zn->score = score;zn->ele = ele;return zn;
}zskiplist *zslCreate(void){int j;zskiplist *zsl;zsl = zmalloc(sizeof(*zsl));zsl->level = 1;zsl->length = 0;//初始化表头节点，表头节点层数为ZSKIPLIST_MAXLEVEL=32zsl->header = zslCreateNode();for(int j = 0; j < ZSKIPLIST_MAXLEVEL; j++){zsl->header->level[j].forward = null;zsl->header->level[j].span = 0;}zsl->header->backward = null;zsl->tail = null;return zsl;
}

2.2 层数随机化函数

int zslRandomLevel(void) {int level = 1;while ((random()&0xFFFF) < (ZSKIPLIST_P * 0xFFFF))level += 1;return (level < ZSKIPLIST_MAXLEVEL) ? level : ZSKIPLIST_MAXLEVEL;
}

2.2.1 函数详细解析

初始化层数

每个节点至少有1层（level = 1）。

随机决定是否增加层数

• random() 生成一个随机数
• &0xFFFF 对随机数进行位与操作，取低16位(0-65535)
• ZSKIPLIST_P * 0xFFFF 计算概率阈值(Redis中ZSKIPLIST_P=0.25)
• 当随机数小于概率阈值时，层数加1

限制最大层数

• 如果生成的层数小于 ZSKIPLIST_MAXLEVEL(32)，则使用生成的值
• 否则使用 ZSKIPLIST_MAXLEVEL 作为上限

概率分析

这个函数实现了几何分布，具有以下特性：

• 每个节点至少有1层（概率为1）
• 有2层的概率是0.25（25%）
• 有3层的概率是0.25²（6.25%）
• 有4层的概率是0.25³（约1.56%）

这种分布保证了：

• 大多数节点只有少数几层，节省内存
• 少数节点有较多层，提供快速访问路径
• 理论上层数期望值为 1/(1-p) = 1/(1-0.25) = 4/3 ≈ 1.33层

位操作说明

使用random()&0xFFFF是为了：

1. 将随机数限制在固定范围(0-65535)
2. 避免处理负数和浮点数计算
3. 使用位操作比取模更高效

位操作示例

例子1：random() = 42949

十进制值: 42949
二进制表示: 0000 0000 0000 1010 0111 1100 0101
与 0xFFFF 进行位与:0000 0000 0000 1010 0111 1100 0101  (42949)
& 0000 0000 0000 0000 1111 1111 1111  (0xFFFF)--------------------------------0000 0000 0000 0000 0111 1100 0101  (1985)

例子2：random() = 98732

十进制值: 98732
二进制表示: 0000 0000 0001 1000 0001 1101 1100
与 0xFFFF 进行位与:0000 0000 0001 1000 0001 1101 1100  (98732)
& 0000 0000 0000 0000 1111 1111 1111  (0xFFFF)--------------------------------0000 0000 0000 0000 0001 1101 1100  (476)

例子3：random() 返回 2147483647 (0x7FFFFFFF，32位有符号整数的最大值)

十进制值: 2147483647
二进制表示: 0111 1111 1111 1111 1111 1111 1111
与 0xFFFF 进行位与:0111 1111 1111 1111 1111 1111 1111  (2147483647)
& 0000 0000 0000 0000 1111 1111 1111  (0xFFFF)--------------------------------0000 0000 0000 0000 1111 1111 1111  (65535)

结果：65535 (0xFFFF的十进制值)

在随机层数中的应用

1. 范围限制: 将随机数限制在0-65535之间
2. 概率计算: 与概率阈值比较(0.25*65535≈16383)
   • 随机值<16383时(25%概率)，层数增加
3. 简化: 使用位操作提高效率

这种设计确保了跳表形成有效的"跳跃"特性，实现O(log n)的查找复杂度。

2.3 插入操作

因为可能会有score相等的情况所以还要增加一个比较字典续
while (x->level[i].forward &&
(x->level[i].forward->score < score ||
(x->level[i].forward->score == score &&
sdscmp(x->level[i].forward->ele,ele) < 0)))

zskiplistNode *zslInsert(zskiplist *zsl, double score, sds ele) {zskiplistNode *update[ZSKIPLIST_MAXLEVEL], *x;unsigned int rank[ZSKIPLIST_MAXLEVEL];int i, level;x = zsl->header;// 自上而下遍历每一层for (i = zsl->level-1; i >= 0; i--) {// 初始化rank值rank[i] = i == (zsl->level-1) ? 0 : rank[i+1];// 在当前层查找合适的插入位置while (x->level[i].forward &&(x->level[i].forward->score < score ||(x->level[i].forward->score == score &&sdscmp(x->level[i].forward->ele,ele) < 0))){rank[i] += x->level[i].span;  // 累加跨度x = x->level[i].forward;      // 前进}update[i] = x;  // 记录每一层插入位置的前驱节点}// ... 后续代码
}

3. 插入操作的步骤解析

3.1 查找插入位置

首先，函数从跳表的最高层开始，自上而下查找新节点的插入位置：

• update数组：记录每一层中新节点的前驱节点
• rank数组：记录每一层中前驱节点的排名

查找过程中有两个关键操作：

• 在每一层查找score值大于等于新节点的节点
• 如果score值相同，则比较成员(ele)的字典序

3.2 随机生成新节点的层数

level = zslRandomLevel();
if (level > zsl->level) {for (i = zsl->level; i < level; i++) {rank[i] = 0;update[i] = zsl->header;update[i]->level[i].span = zsl->length;}zsl->level = level;  // 更新跳表最大层数
}

如果新节点的层数超过当前跳表的最大层数，则需要更新跳表的层数并初始化新增层的update和rank信息。

3.3 创建新节点并设置指针关系

x = zslCreateNode(level, score, ele);// 设置前进指针和跨度
for (i = 0; i < level; i++) {x->level[i].forward = update[i]->level[i].forward;update[i]->level[i].forward = x;// 更新跨度x->level[i].span = update[i]->level[i].span - (rank[0] - rank[i]);update[i]->level[i].span = (rank[0] - rank[i]) + 1;
}

这部分代码完成了新节点的插入和前进指针的设置，并更新了跨度值。跨度计算特别重要：

• rank[0]是最底层前驱节点的排名
• rank[i]是第i层前驱节点的排名
• rank[0] - rank[i]表示从第i层前驱节点下降到最底层前驱节点需要跨越的节点数

3.4 更新高层的跨度

// 更新高于新节点的那些层的跨度
for (i = level; i < zsl->level; i++) {update[i]->level[i].span++;
}

对于高于新节点的那些层，需要增加跨度以反映新节点的加入。

3.5 设置后退指针

// 设置后退指针
x->backward = (update[0] == zsl->header) ? NULL : update[0];
if (x->level[0].forward)x->level[0].forward->backward = x;
elsezsl->tail = x;

后退指针只在最底层维护，用于支持反向遍历。如果新节点是表尾，还需要更新跳表的tail指针。

3.6 更新跳表节点计数并返回

zsl->length++;  // 跳表节点计数增一
return x;

4. Redis跳表中的跨度与排名作用分析

跨度(span)和排名(rank)是Redis跳表实现中的关键概念，它们共同支持了有序集合(sorted set)中按排名查找和操作的功能。

4.1 跨度(span)的定义与作用

跨度存储在跳表节点的每个前向指针中，表示从当前节点沿着前向指针到达下一个节点时"跳过"的节点数量。

struct zskiplistLevel {struct zskiplistNode *forward;  // 前进指针unsigned long span;             // 跨度
};

4.1.1 跨度的核心作用

1. 支持按排名访问：
   • 跨度的累加可以精确计算节点的排名
   • 跳表可以在O(log n)时间内定位到特定排名的节点
2. 范围查询优化：
   • 在范围查询中，可以利用跨度快速确定范围内有多少个元素
   • 避免不必要的节点访问
3. 排名变化追踪：
   • 插入或删除节点时，通过更新跨度来反映排名变化
   • 无需重新计算整个跳表的排名信息

4.2 排名(rank)数组的作用

rank数组是跳表操作中的临时变量，用于在插入和删除操作中跟踪每一层前驱节点的排名。

unsigned int rank[ZSKIPLIST_MAXLEVEL];  // 在zslInsert函数中

4.2.1 排名数组的主要用途

1. 插入时计算新节点的确切位置：
   • 记录每层前驱节点的排名
   • 用于计算新节点在各层的精确跨度
2. 跨度更新依据：
   • rank[0] - rank[i]表示从第i层前驱下降到最底层前驱的节点数
   • 用这个差值可以正确计算新节点的跨度
3. 确保排名一致性：
   • 通过正确更新跨度，保证节点的排名在所有层级上一致

4.3 跨度计算与更新实例

在插入操作中：

// 查找阶段，累加跨度以计算排名
while (x->level[i].forward && ...) {rank[i] += x->level[i].span;  // 累加跨度获取排名x = x->level[i].forward;
}// 插入阶段，更新跨度
x->level[i].span = update[i]->level[i].span - (rank[0] - rank[i]);
update[i]->level[i].span = (rank[0] - rank[i]) + 1;// 更新高层跨度
for (i = level; i < zsl->level; i++) {update[i]->level[i].span++;
}

4.4 实际应用场景

1. 排行榜功能：
   • ZRANK命令：返回成员在有序集合中的排名
   • ZRANGE命令：返回指定排名范围内的成员
2. 分页查询：
   • 根据排名高效实现数据分页
   • 例如：获取排名100-120的用户
3. Top-N查询：
   • 快速获取分数最高/最低的N个元素
   • 无需扫描整个集合

4.5 设计优势

1. 性能优化：O(log n)时间复杂度快速定位排名
2. 空间高效：只需每个前向指针额外存储一个整数
3. 实现简化：避免了复杂的树形结构平衡操作
4. 动态维护：插入删除时只需局部更新跨度

跨度和排名的设计体现了Redis数据结构实现的精巧之处，通过巧妙的数据组织，在不增加结构复杂度的前提下实现了高效的排名操作。这一设计为Redis的有序集合提供了强大的排序和排名功能，使其在排行榜、计时统计等场景中有着出色的表现。

5. Redis跳表插入中记录前驱节点的作用

update[i] = x; 这一步骤是Redis跳表插入操作中的关键，它记录了将要插入的新节点在每一层的前驱节点。

5.1 示例说明

假设我们有一个跳表，包含以下节点及其分值(score)：

Level 3: header --------------------------------------------------------> 30
Level 2: header ----------------> 10 --------------> 20 ---------------> 30
Level 1: header ------> 5 ------> 10 ------> 15 ---> 20 ------> 25 ---> 30
Level 0: header -> 3 -> 5 -> 7 -> 10 -> 12 -> 15 -> 17 -> 20 -> 23 -> 25 -> 30

现在我们要插入一个新节点，分值为 13。

5.1.1 找到前驱节点并填充update数组

从最高层(Level 3)开始向下搜索：

Level 3:

• 从header开始，下一个节点是30，30 > 13，停止
• update[3] = header

Level 2:

• 从header开始，下一个是10，10 < 13，前进
• 到达10，下一个是20，20 > 13，停止
• update[2] = 节点10

Level 1:

• 从10开始，下一个是15，15 > 13，停止
• update[1] = 节点10

Level 0:

• 从10开始，下一个是12，12 < 13，前进
• 到达12，下一个是15，15 > 13，停止
• update[0] = 节点12

最终update数组的值为：

update[3] = header
update[2] = 节点10
update[1] = 节点10
update[0] = 节点12

5.1.2 随机生成新节点层数

假设随机生成的层数为2 (Level 0和Level 1)

5.1.3 利用update数组插入新节点

现在我们创建值为13的新节点，并需要将它插入到跳表中。这时update数组的作用就显现出来了：

对于Level 0:

x->level[0].forward = update[0]->level[0].forward;  // 新节点指向节点15
update[0]->level[0].forward = x;  // 节点12指向新节点

对于Level 1:

x->level[1].forward = update[1]->level[1].forward;  // 新节点指向节点15
update[1]->level[1].forward = x;  // 节点10指向新节点

插入后的跳表结构变为：

Level 3: header --------------------------------------------------------> 30
Level 2: header ----------------> 10 --------------> 20 ---------------> 30
Level 1: header ------> 5 ------> 10 ------> 13 ---> 15 ---> 20 ------> 25 ---> 30
Level 0: header -> 3 -> 5 -> 7 -> 10 -> 12 -> 13 -> 15 -> 17 -> 20 -> 23 -> 25 -> 30

5.2 update数组的关键作用

图中这种向下查找的过程就需要每层查找的时候都保留前驱，
第一层是header
第二层y
第三层w

图片来自 https://blog.csdn.net/Zhouzi_heng/article/details/127554294

1. 连接前后节点：
   • 通过update数组，我们知道每层中新节点应该插入在哪个节点之后
   • 这使得我们可以正确连接前后节点的指针，保持跳表的有序性
2. 更新跨度值：
   • 利用update数组中记录的前驱节点，可以更新这些节点的span值
   • 同时设置新节点的span值，确保排名计算的正确性
3. 设置后退指针：
   • 最底层的前驱节点(update[0])用于设置新节点的后退指针
   • x->backward = update[0]
4. 处理边界情况：
   • 如果新节点层数高于当前跳表最大层数，通过update可以连接新增层
   • 如果新节点将成为表尾，可以通过update判断并更新tail指针

没有update数组，插入操作将变得非常复杂，可能需要多次遍历跳表来找到每一层的正确插入位置。通过使用update数组，我们只需一次遍历就可以记录所有必要信息，大大提高了插入效率。

6. 删除操作

删除操作需要：

• 找到目标节点前驱
• 调整指针和跨度
• 可能需要降低跳表最大层数

int zslDelete(zskiplist *zsl, double score, sds ele, zskiplistNode **node) {zskiplistNode *update[ZSKIPLIST_MAXLEVEL], *x;int i;// 从最高层开始查找目标节点的前驱x = zsl->header;for (i = zsl->level-1; i >= 0; i--) {// 查找前驱节点while (x->level[i].forward &&(x->level[i].forward->score < score ||(x->level[i].forward->score == score &&sdscmp(x->level[i].forward->ele,ele) < 0))){x = x->level[i].forward;}update[i] = x; // 记录每层的前驱节点}// 定位到目标节点（如果存在）x = x->level[0].forward;if (x && score == x->score && sdscmp(x->ele,ele) == 0) {// 找到目标节点，执行删除操作zslDeleteNode(zsl, x, update);if (!node)zslFreeNode(x); // 如果不需要返回被删除节点，则释放内存else*node = x;      // 否则通过node参数返回被删除节点return 1;}return 0; // 没找到目标节点，返回0表示删除失败
}// 实际执行节点删除的函数
void zslDeleteNode(zskiplist *zsl, zskiplistNode *x, zskiplistNode **update) {int i;// 调整所有层的前进指针和跨度for (i = 0; i < zsl->level; i++) {if (update[i]->level[i].forward == x) {update[i]->level[i].span += x->level[i].span - 1;update[i]->level[i].forward = x->level[i].forward;} else {update[i]->level[i].span -= 1; // 不直接相连的层，只需减少跨度}}// 调整后退指针if (x->level[0].forward) {x->level[0].forward->backward = x->backward;} else {zsl->tail = x->backward;}// 如果删除的是最高层的节点，可能需要降低跳表的最大层数while(zsl->level > 1 && zsl->header->level[zsl->level-1].forward == NULL)zsl->level--;// 跳表节点计数减一zsl->length--;
}

6.1 删除操作的关键步骤

1. 查找目标节点：

   • 和插入操作类似，从最高层向下查找
   • 记录每一层的前驱节点到update数组

2. 调整指针：

   • 对于每一层，修改前驱节点的forward指针，绕过被删除节点
   • 调整后继节点的backward指针，保持双向链表特性

3. 更新跨度：

   • 对于直接相连的层：update[i]->level[i].span += x->level[i].span - 1
   • 对于不直接相连的层：update[i]->level[i].span -= 1

4. 处理特殊情况：

   • 如果删除的是尾节点，更新tail指针
   • 如果删除后最高层没有节点，降低跳表的level值

6.2 删除操作的复杂度

• 时间复杂度：O(log N)，主要在于查找目标节点的过程
• 空间复杂度：O(1)，仅使用常数额外空间（update数组）

7. 查找操作

查找从最高层开始，逐层降低，每一层都尽可能向前搜索。

zskiplistNode *zslFind(zskiplist *zsl, double score, sds ele) {zskiplistNode *x;int i;// 从最高层开始查找x = zsl->header;for (i = zsl->level-1; i >= 0; i--) {// 在当前层尽可能前进while (x->level[i].forward &&(x->level[i].forward->score < score ||(x->level[i].forward->score == score &&sdscmp(x->level[i].forward->ele,ele) < 0))){x = x->level[i].forward;}}// 现在x->level[0].forward可能是我们要找的节点x = x->level[0].forward;if (x && score == x->score && sdscmp(x->ele,ele) == 0)return x; // 找到目标节点return NULL;  // 没找到
}

7.1 查找操作的原理

1. 多层跳跃：

   • 从最高层开始查找，利用高层快速跳过大量节点
   • 当无法在当前层继续前进时，降低一层继续查找

2. 匹配条件：

   • 首先比较score值
   • 如果score相同，则比较成员对象(ele)

3. 查找策略：

   • 贪心策略：在每一层尽可能向前，直到下一个节点的score大于等于目标score
   • 当到达最底层时，检查最后到达的节点是否为目标节点

7.2 查找效率分析

• 平均时间复杂度：O(log N)

  • 高层作为快速通道，大大减少了需要访问的节点数
  • 层数分布的随机性保证了查找路径的平均长度是对数级的

• 最坏时间复杂度：仍为O(log N)

  • 即使在最不利情况下，层数的随机分布也能保证一定的性能

• 空间开销与查找速度的平衡：

  • 通过概率分布控制节点的平均层数为常数(约1.33)
  • 在空间效率和查找速度之间取得良好平衡

8. 按排名查找

利用跨度(span)快速定位到特定排名的节点。

zskiplistNode *zslGetElementByRank(zskiplist *zsl, unsigned long rank) {zskiplistNode *x;unsigned long traversed = 0;int i;// 从最高层开始查找x = zsl->header;for (i = zsl->level-1; i >= 0; i--) {// 尝试在当前层前进，只要不超过目标排名while (x->level[i].forward && (traversed + x->level[i].span) <= rank) {traversed += x->level[i].span;x = x->level[i].forward;}// 如果已经到达目标排名，返回该节点if (traversed == rank) {return x;}}return NULL; // 目标排名不存在
}

8.1 按排名查找的实现原理

1. 利用跨度累加：

   • 维护一个traversed变量，记录已经跨越的节点数
   • 每次前进时，将当前指针的span值加到traversed上

2. 贪心策略：

   • 在每一层尽可能前进，直到再前进一步就会超过目标排名
   • 然后降低一层继续查找

3. 排名匹配：

   • 如果traversed正好等于目标rank，说明找到了对应排名的节点
   • 注意：Redis的排名是从1开始的，而不是从0开始

8.2 按排名查找的应用

1. ZRANGE命令实现：

   • 获取有序集合中指定排名范围的元素
   • 首先找到起始排名的节点，然后沿着level[0]前进指定步数

2. ZRANK命令实现：

   • 获取指定成员在有序集合中的排名
   • 使用类似的遍历方式，但是查找特定成员而非特定排名

8.3 效率分析

• 时间复杂度：O(log N)，与普通查找操作相同
• 关键优化：跨度(span)的设计使得跳表可以在不增加结构复杂度的情况下，高效支持按排名查找操作

附（问题）

跳表只在Redis的有序集合中用到了。以下是关于跳表、红黑树和链表的一些常见问题解答。

9.1 什么场景下会需要用到跳表和红黑树？

9.1.1 跳表适用场景

1. 范围查询频繁的场景：

   • 跳表对范围查询非常友好，可以很容易地找到某个范围内的所有元素
   • 例如：Redis的ZRANGEBYSCORE命令，查找分数在某个范围内的所有元素

2. 需要按序遍历的场景：

   • 跳表的底层是一个有序链表，可以方便地进行顺序遍历
   • 例如：获取排名前10的玩家

3. 经常需要插入和删除的有序数据结构：

   • 跳表插入删除的平均时间复杂度为O(log n)，且实现相对简单
   • 不需要像平衡树那样进行复杂的旋转操作

4. 内存空间相对宽裕的场景：

   • 跳表需要存储多个层次的索引，空间消耗相对较大

5. 实现简单性优先的场景：

   • 跳表比红黑树更容易实现和调试
   • 代码可维护性更高

9.1.2 红黑树适用场景

1. 内存敏感的场景：

   • 红黑树比跳表更节省内存
   • 例如：嵌入式系统或内存受限的环境

2. 单点查询频繁的场景：

   • 红黑树的查找性能非常稳定，最坏情况下仍为O(log n)
   • 例如：各种Map和Set的实现（如C++ STL中的map, set）

3. 绝对平衡要求高的场景：

   • 红黑树保证最坏情况下的平衡性，而跳表是概率平衡
   • 例如：实时系统需要稳定的响应时间

4. 不需要范围查询的有序数据结构：

   • 如果主要是查找、插入、删除单个元素，红黑树可能更合适

9.1.3 Redis选择跳表而非红黑树的原因

1. 范围操作效率：

   • 在Redis有序集合中，范围操作非常常见（如ZRANGE, ZRANGEBYSCORE）
   • 跳表在范围查询上性能优于红黑树

2. 实现简单性：

   • 跳表的实现远比红黑树简单
   • 更少的代码意味着更少的bug和更容易的维护

3. 内存布局更好：

   • 跳表的内存布局更连续，对缓存更友好
   • 可以灵活控制索引密度（通过调整层数概率）

4. 更易于并发控制：

   • 跳表的结构使得并发插入删除相对容易实现
   • 虽然Redis是单线程模型，但这种特性在设计上仍有价值

9.2 普通链表的查找复杂度，为什么双向链表可以降低查询复杂度？

9.2.1 普通链表的查找复杂度

1. 单向链表：

   • 时间复杂度：O(n)，必须从头开始遍历
   • 只能朝一个方向遍历
   • 空间复杂度：每个节点额外存储一个指针

2. 双向链表：

   • 时间复杂度：对于随机访问仍然是O(n)
   • 但可以从两个方向遍历
   • 空间复杂度：每个节点额外存储两个指针

9.2.2 双向链表如何降低查询复杂度

双向链表本身对于随机元素的查询复杂度仍然是O(n)，但在特定场景下可以提高效率：

1. 已知位置附近的查询：

   • 如果知道目标元素大约在链表的什么位置，可以选择从头或尾开始遍历
   • 例如：元素可能在链表尾部附近，从尾部开始查找更高效

2. 频繁访问两端元素：

   • 双向链表可以O(1)时间访问头尾元素
   • 例如：实现队列或栈时非常高效

3. 插入和删除操作：

   • 如果已经有指向节点的指针，可以O(1)时间完成插入和删除
   • 不需要查找前驱节点，降低了操作复杂度

4. 双向遍历需求：

   • 某些算法需要同时向前和向后查看元素
   • 例如：LRU缓存的实现

在Redis的跳表实现中，双向链表特性（backward指针）主要用于：

• 反向遍历有序集合
• 在删除节点时更容易更新前驱节点
• 支持ZREVRANGE等反向遍历命令

9.2.3 相关问题

1. 跳表与平衡树相比有什么优势和劣势？

优势：

• 实现更简单，代码更易维护
• 插入和删除不需要复杂的平衡操作
• 范围查询效率高
• 空间利用更灵活（可以通过调整概率控制索引密度）

劣势：

• 内存占用通常更高
• 平衡性基于概率，不是严格保证
• 不像某些特殊的树结构那样可以针对特定应用场景高度优化

2. 为什么Redis不使用B+树作为有序集合的实现？

B+树是数据库系统中常用的数据结构，但Redis选择跳表而非B+树的原因包括：

• 内存vs磁盘：B+树主要优化磁盘访问，而Redis是内存数据库
• 实现复杂度：B+树实现比跳表复杂得多
• 单元素操作：在纯内存环境中，跳表的单元素操作不比B+树慢
• 代码可维护性：跳表的代码更简洁，更易于维护

3. 跳表的空间复杂度是多少？

• 期望空间复杂度：O(n)
• 更准确地说，大约需要2n个指针（约1.33n用于索引层，n用于基本链表）
• 跳表的空间开销主要在于索引节点
• 使用p=1/4的层级概率，平均每个节点的指针数约为1.33

4. 如何优化跳表以减少内存使用？

1. 调整层数概率：

   • 降低p值（如从1/4降至1/8）可以减少索引层数
   • 但会略微增加查找时间

2. 压缩技术：

   • 对于字符串类型的键，可以使用前缀压缩
   • 共享公共前缀减少内存使用

3. 节点结构优化：

   • 使用柔性数组存储层级信息（Redis已采用）
   • 小元素可以考虑内联存储

4. 索引稀疏化：

   • 不是每个节点都创建索引，而是每k个节点创建一个
   • 类似于跳表和B树的混合体

5. 跳表在并发环境下的表现如何？

虽然Redis主要是单线程模型，但跳表在并发环境中有以下特点：

1. 并发友好结构：

   • 跳表的结构使其比平衡树更容易实现无锁操作
   • 插入时只影响局部节点，不会导致全局重平衡

2. 锁粒度：

   • 理论上可以实现细粒度锁，只锁定需要修改的部分
   • 不同级别的锁可以分离（例如对高层索引和数据层使用不同的锁）

3. 读写分离：

   • 读操作可以与写操作并发执行
   • 因为查找过程不需要修改跳表结构

4. 无锁实现可能性：

   • 跳表相对容易实现无锁版本（使用CAS操作）
   • 相比之下，无锁红黑树非常复杂

参考

1. https://tech.youzan.com/redisyuan-ma-jie-xi/
2. https://blog.csdn.net/Zhouzi_heng/article/details/127554294
3. 《redis设计与实现》