今天我们学习的内容是，如何设计一个可以应对各种异常的工业级散列表，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？

        比如，在极端情况下，有些恶意攻击者会通过精心构造的数据，使所有的数据经过散列函数之后，都散列到同一个槽里。如果我们使用的是基于链表的冲突解决方法，这时散列表就会退化为链表，查询的时间复杂度就从O(1)急剧退化为O(n)。当数据量非常大的时候，就有可能因为查询操作消耗大量CPU或者线程资源，导致系统无法响应其他请求，从而达到拒绝服务供给（DoS）的目的。这也就是散列表碰撞攻击的基本原理。

    1如何设计散列函数？

        首先，散列函数的设计不能太复杂。

        过于复杂的散列函数势必会消耗很多计算时间，也就间接的影响到散列表的性能。

        其次，散列函数生成的值要尽可能随机并且均匀分布。

        这样才能避免或者最小化散列冲突，而且即便出现冲突，散列到每个槽里的数据也会比较平均，不会出现某个槽内数据特别多的情况。

        实际工作中，我们还需要综合考虑各种因素。这些因素有关键字的长度、特点、分布、还有散列表的大小等。

        散列函数各式各样，下面举几个常用的简单的散列函数设计方法的例子。

        例一：如上节课的那个例子，我们把学生编号的后两位作为散列值。我们还可以用类似的散列函数处理手机号码，因为手机号码前几位重复的可能性很大，但是后面几位就比较随机，我们可以取手机号的后四位作为散列值。

        例二：就是我们上节课提到的word拼写检查功能，这里面的散列函数的设计是：将单词中每个字母的ASCII码值“进位”相加，然后再跟散列表的大小求余、取模，作为散列值。比如英文单词nice，我们转化出来的散列值就是下面这样：

hash("nice")=(("n" - "a") * 26*26*26 + ("i" - "a")*26*26 + ("c" - "a")*26+ ("e"-"a")) / 78978

        实际上，散列函数的设计方法很有很多呢，比如直接寻址法、平方取中法、折叠法、随机数法等等，这些我们了解即可，不必全部掌握。

    2装载因子过大了怎么办？

        对于没有频繁插入和删除的静态数据集合来说，我们很容易根据数据的特点、分布等，设计出完美的、极少冲突的散列函数，因为毕竟之前数据都是已知的。

        但是对于动态散列表来说，数据集合是频繁变动的，所以我们无法实现申请一个足够大的散列表。

        还是利用我们前面提过好几次的动态扩容方法。

        针对散列表，当装载因子过大时，我们也可以进行动态扩容，重新申请一个更大的散列表，将数据搬移到这个新的散列表中。假设每次扩容我们都申请一个原来散列表大小两倍的空间，那么经过扩容之后，新散列表的装载因子就下降为原来的一半。

        和针对数组扩容的数据搬移不一样，针对散列表扩容的数据搬移要复杂很多。因为散列表的大小变了，数据存储的位置也变了，所以我们需要通过散列函数来重新计算每个数据存储的位置。

        如下图所示，原先散列表中数据的位置和扩容后散列表中数据的位置是不一样的：

        对于支持动态扩容的散列表，插入一个数据，最好情况下，不需要扩容，最好的时间复杂度是O(1)。最坏情况下，散列表装载因子过高，启动扩容，我们需要重新申请内存空间，重新计算哈希位置，并且搬移数据，所以时间复杂度是O(n)。用摊还分析法，均摊情况下，时间复杂度接近最好情况，是O(1)。

        实际上，对于动态散列表，随着数据的删除，散列表中的数据会越来越少，如果我们对内存使用比较敏感，可以在装载因子小过某个值之后启动动态扩容。当然了，如果我们更在意执行效率，对内存要求那么高，也可以不用费劲来缩容。

        最后一点，装载因子扩容的阈值的选择，要权衡时间、空间复杂度。如果内存不紧张，对执行效率要求比较高，可以将阈值降低（想一想，内存不紧张，那我们是不是就可以放肆的扩容了。。。因为它足够大啊！）；如果内存空间紧张，对执行效率要求没那么高，可以将阈值提高（内存紧张了，我们就不能任性的扩容了，但是这个时候查找插入删除的效率就会变得很低，所以在对执行效率要求没那么高的情况下可以将阈值提高）。

    3如何避免低效地扩容？

        刚刚的扩容方法中，在极端情况下，比如当前散列表大小为1G，想要扩容为原来的2倍，就需要对1G的数据重新计算哈希值，并且从原来的散列表搬移到新的散列表，而此时我们想要插入一个数据，却先要经历这个漫长的扩容过程，速度慢到让人无法接受。。

        这个时候，一次性扩容的机制就不合适了。

        为了解决一次性扩容耗时过多的情况，我们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，我们只申请新空间，但不将老的数据搬移到新散列表中。

        当有新数据要插入时，我们将新数据插入新散列表中，并且从老的散列表中拿出一个数据放入到新散列表中。每次插入一个数据到散列表，我们都重复上面的过程。经过多次插入操作之后，老的散列表中的数据就一点点全部搬移到新的散列表中了。没有了集中的一次性数据搬移，插入操作就变得很快了。

        如下图所示；

        注意这期间的查询操作要兼顾新、老散列表中的数据哦，我们先从新散列表中查找，如果没有找到，再去老的散列表中查找。

        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，避免了一次性扩容耗时过多的情况。这种实现方式，任何情况下，插入一个数据的时间复杂度都是O(1)。

    4如何选择冲突解决方法？

        上节课我们学习了两种解决散列冲突的方法，开放寻址法和链表法。那么这两种冲突解决方法各有什么优势和劣势，又各自适用哪些场景呢？

        1.开放寻址法

        优点：散列表中的数据都存储在数组中，可以有效地利用CPU缓存加快查询速度。而且这种方法实现的三里诶包，序列化起来比较简单。

        缺点：删除数据的时候比较麻烦，需要特殊标记。而且所有数据都存在一个数组中，冲突的代价更高。因此它的装载因子上限不能太大，这也导致了这种方法比链表法更浪费内存空间。

        总结：当数据量较小、装载因子小的时候，适用采用开放选址法。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

        优点：对内存的利用率高，因为链表结点可以在需要的时候再创建，并不需要像开放寻址法那样事先申请好。对大装载因子的容忍度更高，只要散列函数的值随机均匀，即便装载因子变成10，也就是链表长度变长了而已，虽然查找效率有所下降，但是比起顺序查找还是快很多。

        缺点：链表因为要存储指针，所以对于比较小的对象的存储是比较消耗内存的，还有可能会让内存的消耗翻倍。

        解决方法：我们可以将链表法中的链表改造为其他高校的动态数据结构，如跳表、红黑树等，这样即便出现散列冲突，极端情况下，所有的数据都散列到同一个桶内，那最终退化成的散列表的查找时间也只不过是O(logn)。这样也就有效避免了前面讲到的散列碰撞攻击。

        总结：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，比如用红黑树代替链表。

    5工业级散列表举例分析

        下面用一个具体的例子，Java中的HashMap这样一个工业级的散列表来具体看下这些技术是怎么应用的。

        1.初始大小

        HashMap的初始大小是16，当然这个默认值是可以设置的，如果事先知道大概的数据量有多大，可以通过修改默认初始大小，来减少动态扩容的次数，这样会大大提高HashMap的性能。

        2.装载因子和动态库扩容

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

        3.散列冲突解决方法

        HashMap底层采用链表法来解决冲突。即使负载因子和散列函数设置得再合理，也免不了会出现拉链过长的情况，一旦出现拉链过长，则会严重影响HashMap的性能。

        于是在JDK1.8版本中，为了对HashMap做进一步优化，我们引入了红黑树，当链表长度太长（默认超过8）时，链表就转换为红黑树。我们可以利用红黑树快速增删改查的特点，提高HashMap的性能。当红黑树节点个数少于8个的时候，又会将红黑树转换为链表。因为在数据量比较小的情况下，红黑树要维护平衡，比起链表性能上的优势并不明显。

        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。如下图所示：

        其中，hashCode()返回的是Java对象的hash code。比如String类型的对象的hashCode()就是下面这样：

    6内容小结

        这节我们学习了如何设计一个工业级的三里诶包，以及如何应对各种异常情况，防止在极端情况下，散列表的性能退化过于严重。我们分为三部分学习了这些内容，分别是：如何设计散列函数，如何根据装载因子动态扩容，以及如何选择散列冲突解决方法。

        对于散列函数的设计，我们要尽可能让散列后的值随机且均匀分布，这样会尽可能地减少散列冲突，即便冲突之后，分配到每个槽内的数据也比较均匀。除此之外，散列函数的设计也不能太复杂，太复杂就会太耗时间，也会影响散列表的性能。

        对于散列冲突解决方法的选择，我们对比了开放寻址法和链表法两种方法的优劣和适应的场景，大部分情况下，链表法更加普适。而且，我们还可以通过将链表法中的链表改造成其他动态查找数据结构，比如红黑树，来避免散列表时间复杂度退化成O(n)，抵御散列碰撞攻击。但是，对于小规模数据、装载因子不高的散列表，比较适合开放寻址法。

        对于动态散列表来说，不管我们如何设计散列函数，选择什么样的散列冲突解决方法，随着数据的不断增加，散列表总会出现装载因子过高的情况，这个时候，我们就需要启动动态扩容。