的路由问题，解决用户环境与 Nacos 物理环境 映射问题。  CMDB：解决元数据存储，与三方 CMDB 系统对接问题，解决应用，人，资源关系。  Metrics：暴露标准 Metrics 数据，方便与三方监控系统打通。  Trace：暴露标准 Trace，方便与 SLA 系统打通，日志白平化，推送轨迹等能力，并且可以和计 量计费系统打通。  接入管理：相当于阿里云开通服务，分配身份、容量、权限过程。 五、基于长链接的⼀致性模型 1. 配置⼀致性模型 sdk-server ⼀致性 53 > Nacos 架构 server 间⼀致性 Server 间同步消息接收处理轻量级实现，重试失败时，监控告警。 断网：断网太久，重试任务队列爆满时，无剔除策略。 2. 服务⼀致性模型 Nacos 架构 < 54 sdk-server 间⼀致性 server 间⼀致性 55 > Nacos 架构 宣布停止开发，Eureka 在针对用户使用上的 优化后续应该不会再有比较大的投入，而 Nacos 目前依然在建设中，除了目前支持的易用性特性 以外，后续还会继续增强控制台的能力，增加控制台登录和权限的管控，监控体系和 Metrics 的暴 露，持续通过官网等渠道完善使用文档，多语言 SDK 的开发等。 从社区活跃度的角度来看，目前由于 Zookeeper 和 Eureka 的存量用户较多，很多教程以及问题

效率评估方法 实际测试 假设我们现在有算法 A 和 算法 B ，都能够解决同一问题，现在需要对比两个算法之间的效率。我们能够想到 的最直接的方式，就是找一台计算机，把两个算法都完整跑一遍，并监控记录运行时间和内存占用情况。这种 评估方式能够反映真实情况，但是也存在很大的硬伤。 难以排除测试环境的干扰因素。硬件配置会影响到算法的性能表现。例如，在某台计算机中，算法 A 比算法 B 运行时 的时间增长趋势 相比直接统计算法运行时间，时间复杂度分析的做法有什么好处呢？以及有什么不足？ 时间复杂度可以有效评估算法效率。算法 B 运行时间的增长是线性的，在 ? > 1 时慢于算法 A ，在 ? > 1000000 时慢于算法 C 。实质上，只要输入数据大小 ? 足够大，复杂度为「常数阶」的算法一定优于 「线性阶」的算法，这也正是时间增长趋势的含义。 时间复杂度的推算方法更加简便。在时间复 时间，再在数组中删除该元素，使用 ?(?) 时间； ‧ 获取最小 / 最大元素：数组头部和尾部元素即是最小和最大元素，使用 ?(1) 时间； 观察发现，无序数组和有序数组中的各项操作的时间复杂度是“偏科”的，即有的快有的慢；而二叉搜索树的 各项操作的时间复杂度都是对数阶，在数据量 ? 很大时有巨大优势。 无序数组 有序数组 二叉搜索树 查找指定元素 ?(?) ?(log ?) ?(log ?) 插入元素 ?(1)

效率评估方法 实际测试 假设我们现在有算法 A 和 算法 B ，都能够解决同一问题，现在需要对比两个算法之间的效率。我们能够想到 的最直接的方式，就是找一台计算机，把两个算法都完整跑一遍，并监控记录运行时间和内存占用情况。这种 评估方式能够反映真实情况，但是也存在很大的硬伤。 难以排除测试环境的干扰因素。硬件配置会影响到算法的性能表现。例如，在某台计算机中，算法 A 比算法 B 运行时 的时间增长趋势 相比直接统计算法运行时间，时间复杂度分析的做法有什么好处呢？以及有什么不足？ 时间复杂度可以有效评估算法效率。算法 B 运行时间的增长是线性的，在 ? > 1 时慢于算法 A ，在 ? > 1000000 时慢于算法 C 。实质上，只要输入数据大小 ? 足够大，复杂度为「常数阶」的算法一定优于 「线性阶」的算法，这也正是时间增长趋势的含义。 时间复杂度的推算方法更加简便。在时间复 时间，再在数组中删除该元素，使用 ?(?) 时间； ‧ 获取最小 / 最大元素：数组头部和尾部元素即是最小和最大元素，使用 ?(1) 时间； 观察发现，无序数组和有序数组中的各项操作的时间复杂度是“偏科”的，即有的快有的慢；而二叉搜索树的 各项操作的时间复杂度都是对数阶，在数据量 ? 很大时有巨大优势。 无序数组 有序数组 二叉搜索树 查找指定元素 ?(?) ?(log ?) ?(log ?) 插入元素 ?(1)

化过程。 2.1.2. 效率评估方法 实际测试 假设我们现在有算法 A 和算法 B，它们都能解决同一问题，现在需要对比这两个算法的效率。我们最直接的 方法就是找一台计算机，运行这两个算法，并监控记录它们的运行时间和内存占用情况。这种评估方式能够 反映真实情况，但也存在较大局限性。 难以排除测试环境的干扰因素。硬件配置会影响算法的性能表现。例如，在某台计算机中，算法 A 的运行时 间比算法 的时间增长趋势 相较于直接统计算法运行时间，时间复杂度分析有哪些优势和局限性呢？ 时间复杂度能够有效评估算法效率。例如，算法 B 的运行时间呈线性增长，在 ? > 1 时比算法 A 慢，在 ? > 1000000 时比算法 C 慢。事实上，只要输入数据大小 ? 足够大，复杂度为「常数阶」的算法一定优于 「线性阶」的算法，这正是时间增长趋势所表达的含义。 时间复杂度的推算方法更简便。显然，运行平台和计 计数排序适用于数据量大但数据范围较小的情况。比如，在上述示例中 ? 不能太大，否则会占用过多空间。 而当 ? ≪ ? 时，计数排序使用 ?(?) 时间，可能比 ?(? log ?) 的排序算法还要慢。 11.10. 基数排序 上一节我们介绍了计数排序，它适用于数据量 ? 较大但数据范围 ? 较小的情况。假设我们需要对 ? = 106 个学号进行排序，而学号是一个 8 位数字，这意味着数据范围

效率评估方法主要分为两种：实际测试、理论估算。 2.1.1 实际测试 假设我们现在有算法 A 和算法 B ，它们都能解决同一问题，现在需要对比这两个算法的效率。最直接的方法 是找一台计算机，运行这两个算法，并监控记录它们的运行时间和内存占用情况。这种评估方式能够反映真 实情况，但也存在较大的局限性。 一方面，难以排除测试环境的干扰因素。硬件配置会影响算法的性能。比如在某台计算机中，算法 A 的运行 时间比算法 自的特 点，从而导致以下不同点。 1. 分配和释放效率：栈是一块较小的内存，分配由编译器自动完成；而堆内存相对更大，可以在代码中动 态分配，更容易碎片化。因此，堆上的分配和释放操作通常比栈上的慢。 2. 大小限制：栈内存相对较小，堆的大小一般受限于可用内存。因此堆更加适合存储大型数组。 3. 灵活性：栈上的数组的大小需要在编译时确定，而堆上的数组的大小可以在运行时动态确定。 Q：为什么 计数排序适用于数据量大但数据范围较小的情况。比如，在上述示例中 ? 不能太大，否则会占用过多空间。 而当 ? ≪ ? 时，计数排序使用 ?(?) 时间，可能比 ?(? log ?) 的排序算法还要慢。 11.10 基数排序 上一节介绍了计数排序，它适用于数据量 ? 较大但数据范围 ? 较小的情况。假设我们需要对 ? = 106 个学 号进行排序，而学号是一个 8 位数字，这意味着数据范围

效率评估方法主要分为两种：实际测试、理论估算。 2.1.1 实际测试 假设我们现在有算法 A 和算法 B ，它们都能解决同一问题，现在需要对比这两个算法的效率。最直接的方法 是找一台计算机，运行这两个算法，并监控记录它们的运行时间和内存占用情况。这种评估方式能够反映真 实情况，但也存在较大的局限性。 一方面，难以排除测试环境的干扰因素。硬件配置会影响算法的性能。比如在某台计算机中，算法 A 的运行 时间比算法 自的特 点，从而导致以下不同点。 1. 分配和释放效率：栈是一块较小的内存，分配由编译器自动完成；而堆内存相对更大，可以在代码中动 态分配，更容易碎片化。因此，堆上的分配和释放操作通常比栈上的慢。 2. 大小限制：栈内存相对较小，堆的大小一般受限于可用内存。因此堆更加适合存储大型数组。 3. 灵活性：栈上的数组的大小需要在编译时确定，而堆上的数组的大小可以在运行时动态确定。 Q：为什么 计数排序适用于数据量大但数据范围较小的情况。比如，在上述示例中 ? 不能太大，否则会占用过多空间。 而当 ? ≪ ? 时，计数排序使用 ?(?) 时间，可能比 ?(? log ?) 的排序算法还要慢。 第 11 章 排序 hello‑algo.com 252 11.10 基数排序 上一节介绍了计数排序，它适用于数据量 ? 较大但数据范围 ? 较小的情况。假设我们需要对 ? = 106 个学

效率评估方法主要分为两种：实际测试、理论估算。 2.1.1 实际测试 假设我们现在有算法 A 和算法 B ，它们都能解决同一问题，现在需要对比这两个算法的效率。最直接的方法 是找一台计算机，运行这两个算法，并监控记录它们的运行时间和内存占用情况。这种评估方式能够反映真 实情况，但也存在较大的局限性。 一方面，难以排除测试环境的干扰因素。硬件配置会影响算法的性能表现。比如一个算法的并行度较高，那 么它就更适合在多核 自的特 点，从而导致以下不同点。 1. 分配和释放效率：栈是一块较小的内存，分配由编译器自动完成；而堆内存相对更大，可以在代码中动 态分配，更容易碎片化。因此，堆上的分配和释放操作通常比栈上的慢。 2. 大小限制：栈内存相对较小，堆的大小一般受限于可用内存。因此堆更加适合存储大型数组。 3. 灵活性：栈上的数组的大小需要在编译时确定，而堆上的数组的大小可以在运行时动态确定。 Q：为什么 计数排序适用于数据量大但数据范围较小的情况。比如，在上述示例中 ? 不能太大，否则会占用过多空间。 而当 ? ≪ ? 时，计数排序使用 ?(?) 时间，可能比 ?(? log ?) 的排序算法还要慢。 11.10 基数排序 上一节介绍了计数排序，它适用于数据量 ? 较大但数据范围 ? 较小的情况。假设我们需要对 ? = 106 个学 号进行排序，而学号是一个 8 位数字，这意味着数据范围

(n <= 1) return 0; return logRecur(n / 2) + 1; } 對數階常出現於基於分治策略的演算法中，體現了“一分為多”和“化繁為簡”的演算法思想。它增長緩慢， 是僅次於常數階的理想的時間複雜度。 ?(log ?) 的底數是多少？ 準確來說，“一分為 ?”對應的時間複雜度是 ?(log? ?) 。而透過對數換底公式，我們可以得到具有 不同底數、相等的時間複雜度： 儲存經常訪問的資料和指令，減少 CPU 訪問記憶體的次數 易失 性 斷電後資料不會丟失 斷電後資料會丟失 斷電後資料會丟失 容量 較大，TB 級別 較小，GB 級別 非常小，MB 級別 速度 較慢，幾百到幾千 MB/s 較快，幾十 GB/s 非常快，幾十到幾百 GB/s 價格 較便宜，幾毛到幾元 / GB 較貴，幾十到幾百元 / GB 非常貴，隨 CPU 打包計價 第 4 章 陣列與鏈結串列 所示，在程式執行時，資料會從硬碟中被讀取到記憶體中，供 CPU 計算使用。快取可以看作 CPU 的一部分，它透過智慧地從記憶體載入資料，給 CPU 提供高速的資料讀取，從而顯著提升程式的執行效率， 減少對較慢的記憶體的依賴。 圖 4‑10 硬碟、記憶體和快取之間的資料流通 第 4 章 陣列與鏈結串列 www.hello‑algo.com 85 4.4.2 資料結構的記憶體效率 在記憶體空間利用方面，陣列和鏈結串列各自具有優勢和侷限性。

效率评估方法主要分为两种：实际测试、理论估算。 2.1.1 实际测试 假设我们现在有算法 A 和算法 B ，它们都能解决同一问题，现在需要对比这两个算法的效率。最直接的方法 是找一台计算机，运行这两个算法，并监控记录它们的运行时间和内存占用情况。这种评估方式能够反映真 实情况，但也存在较大局限性。 一方面，难以排除测试环境的干扰因素。硬件配置会影响算法的性能表现。比如在某台计算机中，算法 A 的 运行时间比算法 计数排序适用于数据量大但数据范围较小的情况。比如，在上述示例中 ? 不能太大，否则会占用过多空间。 而当 ? ≪ ? 时，计数排序使用 ?(?) 时间，可能比 ?(? log ?) 的排序算法还要慢。 11.10 基数排序 上一节我们介绍了计数排序，它适用于数据量 ? 较大但数据范围 ? 较小的情况。假设我们需要对 ? = 106 个学号进行排序，而学号是一个 8 位数字，这意味着数据范围

符合横切关注点的所有功能都可以放入拦截器实现。 O 常见应用场景 日志记录 记录请求信息的日志，以便进行信息监控、信息统 计、计算 PV 等。 权限检查 如登录检测，进入处理器检测是否登录，如果没有 直接返回到登录页面。 性能监控 通过拦截器在进入处理器之前记录开始时间，在处 理完后记录结束时间，从而得到该请求的处理时间， 以监控请求处理行为。 通用行为 只要是多个请求处理器都需要的即可使用拦截器实 现。如，读取 监听器 拦截器接口方法说明 preHandle 预处理回调方法。 postHandle 后处理回调方法。 afterCompletion 整个请求处理完毕回调方法。在视图渲染完毕时 回调，如性能监控中我们可以在此记录结束时间并 输出消耗时间，还可以进行一些资源清理，类似于 try-catch-finally 中的 finally，但仅调用处理器执行链 中 preHandle 返回 true 的拦截器的