hash函数

hash 布隆过滤器：失误率 布隆过滤器：比特类型的数组 0 1 hash函数的大小不影响布隆过滤器的大小 m hash函数的个数：k=ln2*(m/n)=0.7*(m/n); 错误率：(1-e^(-n*k/m))^k; 一致性hash（负载均衡） 减少数据迁移的代价。加机器和减机器。 当服务器很少的时候，环可能不均匀。 一开始均匀，后期增删机器，数据迁移后就不均匀了。 解决方案 虚拟节点 给m1 复制1000个虚拟节点同理 m2 m3.。。。建立一个路由表，路由表对应虚拟节点和物理节点。 由增加机器后，仍然是均分的虚拟节点。增加节点同时增加同量的1000个虚拟节点。这1000个是 来源：博客园 作者： 博闻强识不是我 链接：https://www.cnblogs.com/bowenqianngzhibushiwo/p/11631962.html

打开题目页面是一个超链接 先查看源码得到一段信息 没什么，这只是超链接跳转的信息 点击跳转到下一个界面 123 123 key url key!=123 flag 然后后面是一段隐藏的信息，需要查看源码才看得到 <!--$hash=md5($sign.$key);the length of $sign is 8 hash sign.key md5 sign 8 key hash key=123&hash=f9109d5f83921a551cf859f853afe7bb hash md5 kkkkkk01123 8 kkkkkk01 sign=kkkkkk01 key=123 key=111 sign kkkkkk01 hash=md5 kkkkkk01111 adaa10eef3a02754da03b5a3a6f40ae632 md5 url http://dfa8409734bd4b7da26d1f5e95d40371a6c316b7a5d14cf8.changame.ichunqiu.com/index.php?key=111&hash=adaa10eef3a02754da03b5a3a6f40ae6 访问之，提示我们next step is Gu3ss_m3_h2h2.php 不多说，直接访问试试 php 看看源码有没有什么遗漏的 （。。。。。应该没有） 审计代码 demo

首先了解一下什么是一致性哈希，这里推荐一篇博客： http://blog.csdn.net/cywosp/article/details/23397179/ 在分布式应用中，扩容和收缩是一个半自动化的过程，在此期间，应用基本上是可用的，所以不能发生大规模动荡的意外，为了最小化潜在的影响，这时候需要使用到一致性hash算法实现负载均衡和分库分表，hash路由算法在分布式场景下极为重要的角色。 consistent hashing 算法早在 1997 年就在论文 Consistent hashing and random trees 中被提出，目前在cache 系统中应用越来越广泛； 比如你有 N 个 cache 服务器（后面简称 cache ），那么如何将一个对象 object 映射到 N 个 cache 上呢，你很可能会采用类似下面的通用方法计算 object 的 hash 值，然后均匀的映射到到 N 个 cache ； hash(object)%N 一切都运行正常，再考虑如下的两种情况； 1 一个 cache 服务器 m down 掉了（在实际应用中必须要考虑这种情况），这样所有映射到 cache m 的对象都会失效，怎么办，需要把 cache m 从 cache 中移除，这时候 cache 是 N-1 台，映射公式变成了 hash(object)%(N-1) ； 2

https://www.bilibili.com/video/av53870541/?p=33 通过在数据模型中定义函数来实现加密 from werkzeug . security import generate_password_hash , check_password_hashclass User ( db . Modle ): 　　 id = db . Column ( db . Integer , primary_key = True , autoincrement = True ) 　　 name = db . Colmn ( db . String ( 20 ), unique = True )　　 password_hash = db . Colmn ( db . String ( 20 ))　　　 @property 　　 def password ( self ):　　　　 print ( 'xxxx随意' )　　 @password . setter 　　 def passowrd ( self , password ):　　　　 self . password_hash = generate_password_hash ( password )　　 def check_password ( self , password ):　　　　 return

微软 面试题 ：地球上有多少个满足这样条件的点 站在地球上的某一点，向南走一公里，然后向东走一公里，最后向北走一公里，回到了原点。地球上有多少个满足这样条件的点? 北极点满足这个条件。 距离南极点很近的一个圈上也满足这个条件。在这个圆圈上，向南走一公里，然后向东走一公里恰好绕南极点一圈，向北走一公里回到原点。 所以地球上总共有无数点满足这个条件。 谷歌面试题：判断一个自然数是否是某个数的平方 判断一个自然数是否是某个数的平方。当然不能使用开方运算。 假设待判断的数字是 N。 方法1： 遍历从1到N的数字，求取平方并和N进行比较。 如果平方小于N，则继续遍历；如果等于N，则成功退出；如果大于N，则失败退出。 复杂度为O(n^0.5)。 方法2： 使用二分查找法，对1到N之间的数字进行判断。 复杂度为O(log n)。 方法3： 由于 (n+1)^2 =n^2 + 2n + 1， = ... = 1 + (2*1 + 1) + (2*2 + 1) + ... + (2*n + 1) 注意到这些项构成了等差数列（每项之间相差2）。 所以我们可以比较 N-1， N - 1 - 3， N - 1 - 3 - 5 ... 和0的关系。 如果大于0，则继续减；如果等于0，则成功退出；如果小于 0，则失败退出。 复杂度为O(n^0.5)。不过方法3中利用加减法替换掉了方法1中的乘法

写在前面 作为以key/value存储方式的集合，HashMap可以说起到了极大的作用。因此关于HashMap，我们将着重使用比较大的篇幅。 接下来会用到的几个常量 static final int DEFAULT_INITIAL_CAPACITY = 1 << 4; static final int MAXIMUM_CAPACITY = 1 << 30; static final int MAXIMUM_CAPACITY = 1 << 30; 先简单过一下，HashMap的思路 我们put的key/value会被封装成一个叫做Entry的内部类。这个Entry由一个变量名为table数组管理。我们每次put会通过一系列的计算，计算一个table数组的index下标用于放Entry，如果出现hash冲突使用链表法解决。get时，可以理解是一个反向的put过程。 put(K key, V value) 1、初始化 if ( table == EMPTY_TABLE ) { //threshold变量在初始化的时候使用DEFAULT_INITIAL_CAPACITY(16)初始化 inflateTable ( threshold ); } private void inflateTable ( int toSize ) { //计算我们table数组应该有多大（初始化是16） int

哈希表 为了快速的定位到某个元素，科学家给每个元素一个“逻辑下标”，然后直接找到元素，哈希表就是这种实现，他通过一个哈希函数来计算一个元素应该放在哪，当然对于特定的某个元素，哈希函数每次计算的下标必须一样才可以，而且范围不能超出给定数组的长度。 假如我们有一个数组t 包含m=13个元素，我们可以定义一个简单的哈喜函数h(key) = key%m 这里取模函数使得h(key)的结果不会超出数组长度的下标，分别插入以下元素 756,431,142,579,226,903,338 哈希冲突：经过hash算法计算，发生了下标的冲突，该下标下的当前值，会有一个链接，指向发生冲突的值（链接法），缺点，如果冲突比较多，查找时就不是O(1)的时间复杂度 还有一种叫 开放寻址法：他的基本思想是当一个槽被占用的时候，采用一种方式来来找到下一个槽，根据找下一槽的方式不同，分为： 线性探查：当槽被占用，找下一个可用的槽 二次探查：当槽被占用，以二次作为偏移量 双重散列：重新计算哈希结果 python使用的是二次探查法，他的意思就是如果遇到冲突，我们就在原始的位置上增加i 平方 装载因子： 已经被使用的槽数比上总槽数 当空间不够用时，我们就定义一个负载因子的概念，比如插入了8个元素，总槽数为13，就是8/13约等于0.62 。通常来说当负载因子小于0.8，就要新开辟空间，并且重新进行散列 冲哈喜

索引相关 关于MySQL的索引,曾经进行过一次总结,文章链接在这里 Mysql索引原理及其优化. 什么是索引? 索引是一种数据结构,可以帮助我们快速的进行数据的查找. 索引是个什么样的数据结构呢? 索引的数据结构和具体存储引擎的实现有关, 在MySQL中使用较多的索引有Hash索引,B+树索引等,而我们经常使用的InnoDB存储引擎的默认索引实现为:B+树索引. Hash索引和B+树所有有什么区别或者说优劣呢? 首先要知道Hash索引和B+树索引的底层实现原理: hash索引底层就是hash表,进行查找时,调用一次hash函数就可以获取到相应的键值,之后进行回表查询获得实际数据.B+树底层实现是多路平衡查找树.对于每一次的查询都是从根节点出发,查找到叶子节点方可以获得所查键值,然后根据查询判断是否需要回表查询数据. 那么可以看出他们有以下的不同: hash索引进行等值查询更快(一般情况下),但是却无法进行范围查询. 因为在hash索引中经过hash函数建立索引之后,索引的顺序与原顺序无法保持一致,不能支持范围查询.而B+树的的所有节点皆遵循(左节点小于父节点,右节点大于父节点,多叉树也类似),天然支持范围. hash索引不支持使用索引进行排序,原理同上. hash索引不支持模糊查询以及多列索引的最左前缀匹配.原理也是因为hash函数的不可预测.AAAA和AAAAB的索引没有相关性.

本文转载自 dreamcatcher-cx 作者，出处： ConcurrentHashMap实现原理及源码分析 ConcurrentHashMap是Java并发包中提供的一个线程安全且高效的HashMap实现，ConcurrentHashMap在并发编程的场景中使用频率非常之高，本文就来分析下ConcurrentHashMap的实现原理，并对其实现原理进行分析（JDK1.7). JDK1.8之前ConcurrentHashMap采用的分段锁，JDK1.8之后采用CAS算法（不做分析） 先来看看ConcurrentHashMap是个啥结构。 在JDK1.7中，ConcurrentHashMap的数据结构是由一个Segment数组和多个HashEntry组成，结构如下图所示： 众所周知，哈希表是中非常高效，复杂度为O(1)的数据结构，在Java开发中，我们最常见到最频繁使用的就是HashMap和HashTable，但是在线程竞争激烈的并发场景中使用都不够合理。 　　 HashMap ：先说HashMap，HashMap是 线程不安全 的，在并发环境下，可能会形成环 状链表 （扩容时可能造成，具体原因自行百度google或查看源码分析），导致get操作时，cpu空转，所以，在并发环境中使用HashMap是非常危险的。 　　 HashTable ：

如果对java7和java8的hashmap源码分析， 1.可查看博客： https://www.cnblogs.com/jajian/p/10385063.html#autoid-0-0-0 ， 2.如果对文字类无感，可以观看视频： https://www.bilibili.com/video/av71408100?from=search&seid=805805466626935035 以下是自我学习总结笔记 1.java7 ， HashMap结构(数组+链表) 2.“模”运算的消耗比较大，采用哈希值进行位移的操作方式 static int indexFor(int h, int length) { return h & (length-1); } 3.哈希冲突（如果两个不同对象的 hashCode 相同，此情况即称为哈希冲突），会单独产生单链结构（如果hash值一般，在相同的数组会创建一个单链存放） 4.hashmap源码三个参数表示 capacity ：当前数组容量，始终保持 2^n，可以扩容，扩容后数组大小为当前的 2 倍。 loadFactor ：负载因子，默认为0.75（加载因子是表示Hash表中元素的填满的程度。）。 threshold：扩容的阈值，等于 capacity * loadFactor。 5.源码分析 public V put(K key, V value