B tree 在aerospike中使用btree作为主要索引的优势是什么？

我正在浏览Aerospike的文档。发现Aerospike使用散列来存储主键，散列指向一个BTree，BTree包含指向实际记录的指针。 据我所知，Redis只使用哈希（为了解决冲突，他们维护了一个哈希列表），哈希指向实际记录

aerospike使用Btree的优势是什么？难道这不意味着通过主键aerospike访问记录需要O（logn）吗？而redis只需要O（1）

---

我可能错了，但这就是我所理解的。能不能请一些人对这个话题多解释一下？

我不确定问题的重点，但下面是：

实际上，Aerospike是一个分布式散列，每个分区1到4096个（请参阅配置参数）

有4096个逻辑分区跨集群的节点。识别any的键是一个20字节的摘要，通过将

（名称空间、集合、主键）

3元组传递到RIPEMD-160（客户端会自动为您这样做）生成。记录被一致地散列到一个特定的分区，因为这个摘要中的位用于计算分区ID

与Redis不同，Aerospike被设计成一个单核、单线程的应用程序，运行在一个节点上，而Aerospike被构建成一个分布式数据库。的确，用户可以使用应用程序端解决方案或中间件来实现ad-hoc集群Redis。在Aerospike的情况下，集群中的所有节点和所有客户端共享一个

因为客户机知道集群的分区映射，所以它总是离持有主分区的节点（或者持有副本分区的节点——这由主分区控制）一跳。因此，它是群集中正确节点的O（1）。在该节点中，找到分区的rbTree是O（1），然后所有操作都是O（logn）

当一个数据库中没有太多数据时（假设您对Redis使用的数据结构的看法是正确的），查找记录应该是O（1）。但是，一旦哈希表中的元素多于插槽，它就会切换到一个链表，即O（n）。对于rbTree，平均和最坏情况都是O（logn）。Aerospike旨在以可预测的低延迟处理大型数据集，因此rbTree更合适。无论集群中的数据量如何，获取记录的成本都是相同的

---

添加：从Aerospike DB 4.2版开始，sprigs在内存方面变得更加便宜，每个分区4096个sprigs的限制已经取消。通过分配足够的树苗，可以有效地将树苗转化为深度为1的红黑树，因此O（logn）实际上与O（1）相同。例如，如果您希望sprigs的平均树深度为1，并且您的数据库中有10亿个对象，那么您应该将

分区树sprigs

设置为262144（必须是2的幂），这将花费848MB，平均分布到节点上（在一个3节点集群中为283MB）。

我不确定问题的重点，但下面是：

实际上，Aerospike是一个分布式散列，每个分区1到4096个（请参阅配置参数）

有4096个逻辑分区跨集群的节点。识别any的键是一个20字节的摘要，通过将

（名称空间、集合、主键）

3元组传递到RIPEMD-160（客户端会自动为您这样做）生成。记录被一致地散列到一个特定的分区，因为这个摘要中的位用于计算分区ID

与Redis不同，Aerospike被设计成一个单核、单线程的应用程序，运行在一个节点上，而Aerospike被构建成一个分布式数据库。的确，用户可以使用应用程序端解决方案或中间件来实现ad-hoc集群Redis。在Aerospike的情况下，集群中的所有节点和所有客户端共享一个

因为客户机知道集群的分区映射，所以它总是离持有主分区的节点（或者持有副本分区的节点——这由主分区控制）一跳。因此，它是群集中正确节点的O（1）。在该节点中，找到分区的rbTree是O（1），然后所有操作都是O（logn）

当一个数据库中没有太多数据时（假设您对Redis使用的数据结构的看法是正确的），查找记录应该是O（1）。但是，一旦哈希表中的元素多于插槽，它就会切换到一个链表，即O（n）。对于rbTree，平均和最坏情况都是O（logn）。Aerospike旨在以可预测的低延迟处理大型数据集，因此rbTree更合适。无论集群中的数据量如何，获取记录的成本都是相同的

---

添加：从Aerospike DB 4.2版开始，sprigs在内存方面变得更加便宜，每个分区4096个sprigs的限制已经取消。通过分配足够的树苗，可以有效地将树苗转化为深度为1的红黑树，因此O（logn）实际上与O（1）相同。例如，如果您希望sprigs的平均树深度为1，并且数据库中有10亿个对象，那么您应该将

分区树sprigs

设置为262144（必须是2的幂），这将花费848MB平均分布到节点上（在3节点集群中为283MB）。

基本上您混淆了实现方法（哈希表和B-树的混合）与主索引的方式。基本上，您混淆了实现方式（哈希表和B-树的混合）与主索引的方式。