跳表（SkipList）及ConcurrentSkipListMap源码解析

二分查找和AVL树查找

二分查找要求元素可以随机访问，所以决定了需要把元素存储在连续内存。这样查找确实很快，但是插入和删除元素的时候，为了保证元素的有序性，就需要大量的移动元素了。

如果需要的是一个能够进行二分查找，又能快速添加和删除元素的数据结构，首先就是二叉查找树，二叉查找树在最坏情况下可能变成一个链表。

于是，就出现了平衡二叉树，根据平衡算法的不同有AVL树，B-Tree，B+Tree，红黑树等，但是AVL树实现起来比较复杂，平衡操作较难理解，这时候就可以用SkipList跳跃表结构。

什么是跳表

传统意义的单链表是一个线性结构，向有序的链表中插入一个节点需要O(n)的时间，查找操作需要O(n)的时间。

跳跃表的简单示例：



如果我们使用上图所示的跳跃表，就可以减少查找所需时间为O(n/2)，因为我们可以先通过每个节点的最上面的指针先进行查找，这样子就能跳过一半的节点。

比如我们想查找19，首先和6比较，大于6之后，在和9进行比较，然后在和12进行比较......最后比较到21的时候，发现21大于19，说明查找的点在17和21之间，从这个过程中，我们可以看出，查找的时候跳过了3、7、12等点，因此查找的复杂度为O(n/2)。

查找的过程如下图：



其实，上面基本上就是跳跃表的思想，每一个结点不单单只包含指向下一个结点的指针，可能包含很多个指向后续结点的指针，这样就可以跳过一些不必要的结点，从而加快查找、删除等操作。对于一个链表内每一个结点包含多少个指向后续元素的指针，后续节点个数是通过一个随机函数生成器得到，这样子就构成了一个跳跃表。

随机生成的跳跃表可能如下图所示：



跳跃表其实也是一种通过“空间来换取时间”的一个算法，通过在每个节点中增加了向前的指针，从而提升查找的效率。

“Skip lists are data structures that use probabilistic balancing rather than strictly enforced balancing. As a result, the algorithms for insertion and deletion in skip lists are much simpler and significantly faster than equivalent algorithms for
balanced trees. ”

译文：跳跃表使用概率均衡技术而不是使用强制性均衡技术，因此，对于插入和删除结点比传统上的平衡树算法更为简洁高效。

跳表是一种随机化的数据结构，目前开源软件 Redis 和
LevelDB 都有用到它。

SkipList的操作

查找

查找就是给定一个key，查找这个key是否出现在跳跃表中，如果出现，则返回其值，如果不存在，则返回不存在。我们结合一个图就是讲解查找操作，如下图所示：



如果我们想查找19是否存在？如何查找呢？我们从头结点开始，首先和9进行判断，此时大于9，然后和21进行判断，小于21，此时这个值肯定在9结点和21结点之间，此时，我们和17进行判断，大于17，然后和21进行判断，小于21，此时肯定在17结点和21结点之间，此时和19进行判断，找到了。具体的示意图如图所示：

插入

插入包含如下几个操作：1、查找到需要插入的位置 2、申请新的结点 3、调整指针。

我们结合下图进行讲解，查找路径如下图的灰色的线所示 申请新的结点如17结点所示， 调整指向新结点17的指针以及17结点指向后续结点的指针。这里有一个小技巧，就是使用update数组保存大于17结点的位置，update数组的内容如红线所示，这些位置才是有可能更新指针的位置。

删除

删除操作类似于插入操作，包含如下3步：1、查找到需要删除的结点 2、删除结点 3、调整指针

Key-Value数据结构

目前常用的key-value数据结构有三种：Hash表、红黑树、SkipList，它们各自有着不同的优缺点（不考虑删除操作）：

Hash表：插入、查找最快，为O(1)；如使用链表实现则可实现无锁；数据有序化需要显式的排序操作。

红黑树：插入、查找为O(logn)，但常数项较小；无锁实现的复杂性很高，一般需要加锁；数据天然有序。

SkipList：插入、查找为O(logn)，但常数项比红黑树要大；底层结构为链表，可无锁实现；数据天然有序。

如果要实现一个key-value结构，需求的功能有插入、查找、迭代、修改，那么首先Hash表就不是很适合了，因为迭代的时间复杂度比较高；而红黑树的插入很可能会涉及多个结点的旋转、变色操作，因此需要在外层加锁，这无形中降低了它可能的并发度。而SkipList底层是用链表实现的，可以实现为lock free，同时它还有着不错的性能（单线程下只比红黑树略慢），非常适合用来实现我们需求的那种key-value结构。

LevelDB、Reddis的底层存储结构就是用的SkipList。

基于锁的并发

优点：

1、编程模型简单，如果小心控制上锁顺序，一般来说不会有死锁的问题；

2、可以通过调节锁的粒度来调节性能。

缺点：

1、所有基于锁的算法都有死锁的可能；

2、上锁和解锁时进程要从用户态切换到内核态，并可能伴随有线程的调度、上下文切换等，开销比较重；

3、对共享数据的读与写之间会有互斥。

无锁编程（lock free）

常见的lock free编程一般是基于CAS(Compare And Swap)操作：CAS(void *ptr, Any oldValue, Any newValue);

即查看内存地址ptr处的值，如果为oldValue则将其改为newValue，并返回true，否则返回false。X86平台上的CAS操作一般是通过CPU的CMPXCHG指令来完成的。CPU在执行此指令时会首先锁住CPU总线，禁止其它核心对内存的访问，然后再查看或修改*ptr的值。简单的说CAS利用了CPU的硬件锁来实现对共享资源的串行使用。

优点：

1、开销较小：不需要进入内核，不需要切换线程；

2、没有死锁：总线锁最长持续为一次read+write的时间；

3、只有写操作需要使用CAS，读操作与串行代码完全相同，可实现读写不互斥。

缺点：

1、编程非常复杂，两行代码之间可能发生任何事，很多常识性的假设都不成立。

2、CAS模型覆盖的情况非常少，无法用CAS实现原子的复数操作。

而在性能层面上，CAS与mutex/readwrite lock各有千秋，简述如下：

1、单线程下CAS的开销大约为10次加法操作，mutex的上锁+解锁大约为20次加法操作，而readwrite lock的开销则更大一些。

2、CAS的性能为固定值，而mutex则可以通过改变临界区的大小来调节性能；

3、如果临界区中真正的修改操作只占一小部分，那么用CAS可以获得更大的并发度。

4、多核CPU中线程调度成本较高，此时更适合用CAS。

跳表和红黑树的性能相当，最主要的优势就是当调整(插入或删除)时，红黑树需要使用旋转来维护平衡性，这个操作需要动多个节点，在并发时候很难控制。而跳表插入或删除时只需定位后插入，插入时只需添加插入的那个节点及其多个层的复制，以及定位和插入的原子性维护。所以它更加可以利用CAS操作来进行无锁编程。

ConcurrentHashMap

JDK为我们提供了很多Map接口的实现，使得我们可以方便地处理Key-Value的数据结构。



当我们希望快速存取<Key, Value>键值对时我们可以使用HashMap。

当我们希望在多线程并发存取<Key, Value>键值对时，我们会选择ConcurrentHashMap。

TreeMap则会帮助我们保证数据是按照Key的自然顺序或者compareTo方法指定的排序规则进行排序。

OK，那么当我们需要多线程并发存取<Key, Value>数据并且希望保证数据有序时，我们需要怎么做呢？

也许，我们可以选择ConcurrentTreeMap。不好意思，JDK没有提供这么好的数据结构给我们。

当然，我们可以自己添加lock来实现ConcurrentTreeMap，但是随着并发量的提升，lock带来的性能开销也随之增大。

Don't cry......，JDK6里面引入的ConcurrentSkipListMap也许可以满足我们的需求。

什么是ConcurrentSkipListMap

ConcurrentSkipListMap提供了一种线程安全的并发访问的排序映射表。内部是SkipList（跳表）结构实现，在理论上能够O(log(n))时间内完成查找、插入、删除操作。

存储结构

ConcurrentSkipListMap存储结构跳跃表（SkipList）：
1、最底层的数据节点按照关键字升序排列。
2、包含多级索引，每个级别的索引节点按照其关联数据节点的关键字升序排列。
3、高级别索引是其低级别索引的子集。
4、如果关键字key在级别level=i的索引中出现，则级别level<=i的所有索引中都包含key。
注：类比一下数据库的索引、B+树。



[java] view
plain copy

public class ConcurrentSkipListMap<K,V> extends AbstractMap<K,V> implements ConcurrentNavigableMap<K,V>,

Cloneable,java.io.Serializable {

/** Special value used to identify base-level header*/

private static final Object BASE_HEADER = new Object();//该值用于标记数据节点的头结点

/** The topmost head index of the skiplist.*/

private transient volatile HeadIndex<K,V> head;//最高级别索引的索引头

......

/** Nodes hold keys and values, and are singly linked in sorted order, possibly with some intervening marker nodes.

The list is headed by a dummy node accessible as head.node. The value field is declared only as Object because it

takes special non-V values for marker and header nodes. */

static final class Node<K,V> {//保存键值对的数据节点，并且是有序的单链表。

final K key;

volatile Object value;

volatile Node<K,V> next;//后继数据节点

......

}

/** Index nodes represent the levels of the skip list.

Note that even though both Nodes and Indexes have forward-pointing fields, they have different types and are handled

in different ways, that can't nicely be captured by placing field in a shared abstract class.

*/

static class Index<K,V> {//索引节点

final Node<K,V> node;//索引节点关联的数据节点

final Index<K,V> down;//下一级别索引节点（关联的数据节点相同）

volatile Index<K,V> right;//当前索引级别中，后继索引节点

......

}

/** Nodes heading each level keep track of their level.*/

static final class HeadIndex<K,V> extends Index<K,V> {//索引头

final int level;//索引级别

HeadIndex(Node<K,V> node, Index<K,V> down, Index<K,V> right, int level) {

super(node, down, right);

this.level = level;

}

}

......

}

查找

[java] view
plain copy

//Returns the value to which the specified key is mapped, or null if this map contains no mapping for the key.

public V get(Object key) {

return doGet(key);

}

[java] view
plain copy

private V doGet(Object okey) {

Comparable<? super K> key = comparable(okey);

// Loop needed here and elsewhere in case value field goes null just as it is about to be returned, in which case we

// lost a race with a deletion, so must retry.

// 这里采用循环的方式来查找数据节点，是为了防止返回刚好被删除的数据节点，一旦出现这样的情况，需要重试。

for (;;) {

Node<K,V> n = findNode(key);//根据key查找数据节点

if (n == null)

return null;

Object v = n.value;

if (v != null)

return (V)v;

}

}

[java] view
plain copy

/**Returns node holding key or null if no such, clearing out any deleted nodes seen along the way.

Repeatedly traverses at base-level looking for key starting at predecessor returned from findPredecessor,

processing base-level deletions as encountered. Some callers rely on this side-effect of clearing deleted nodes.

* Restarts occur, at traversal step centered on node n, if:

*

* (1) After reading n's next field, n is no longer assumed predecessor b's current successor, which means that

* we don't have a consistent 3-node snapshot and so cannot unlink any subsequent deleted nodes encountered.

*

* (2) n's value field is null, indicating n is deleted, in which case we help out an ongoing structural deletion

* before retrying. Even though there are cases where such unlinking doesn't require restart, they aren't sorted out

* here because doing so would not usually outweigh cost of restarting.

*

* (3) n is a marker or n's predecessor's value field is null, indicating (among other possibilities) that

* findPredecessor returned a deleted node. We can't unlink the node because we don't know its predecessor, so rely

* on another call to findPredecessor to notice and return some earlier predecessor, which it will do. This check is

* only strictly needed at beginning of loop, (and the b.value check isn't strictly needed at all) but is done

* each iteration to help avoid contention with other threads by callers that will fail to be able to change

* links, and so will retry anyway.

*

* The traversal loops in doPut, doRemove, and findNear all include the same three kinds of checks. And specialized

* versions appear in findFirst, and findLast and their variants. They can't easily share code because each uses the

* reads of fields held in locals occurring in the orders they were performed.

*

* @param key the key

* @return node holding key, or null if no such

*/

private Node<K,V> findNode(Comparable<? super K> key) {

for (;;) {

Node<K,V> b = findPredecessor(key);//根据key查找前驱数据节点

Node<K,V> n = b.next;

for (;;) {

if (n == null)

return null;

Node<K,V> f = n.next;

//1、b的后继节点两次读取不一致，重试

if (n != b.next) // inconsistent read

break;

Object v = n.value;

[java] view
plain copy

//2、数据节点的值为null，表示该数据节点标记为已删除，移除该数据节点并重试。

if (v == null) { // n is deleted

n.helpDelete(b, f);

break;

}

//3、b节点被标记为删除，重试

if (v == n || b.value == null) // b is deleted

break;

int c = key.compareTo(n.key);

if (c == 0)//找到返回

return n;

if (c < 0)//给定key小于当前可以，不存在

return null;

b = n;//否则继续查找

n = f;

}

}

[java] view
plain copy

/**Returns a base-level node with key strictly less than given key, or the base-level header if there is no such node.

Also unlinks indexes to deleted nodes found along the way. Callers rely on this side-effect of clearing indices to deleted nodes.

* @param key the key

* @return a predecessor of key */

//返回“小于且最接近给定key”的数据节点，如果不存在这样的数据节点就返回最低级别的索引头。

private Node<K,V> findPredecessor(Comparable<? super K> key) {

if (key == null)

throw new NullPointerException(); // don't postpone errors

for (;;) {

Index<K,V> q = head;//从顶层索引开始查找

Index<K,V> r = q.right;

for (;;) {

if (r != null) {

Node<K,V> n = r.node;

K k = n.key;

if (n.value == null) {//数据节点的值为null,表示该数据节点标记为已删除，断开连接并重试

if (!q.unlink(r))

break; // restart

r = q.right; // reread r

continue;

}

if (key.compareTo(k) > 0) {//给定key大于当前key，继续往右查找

q = r;

r = r.right;

continue;

}

}

//执行到这里有两种情况：

//1、当前级别的索引查找结束

//2、给定key小于等于当前key

Index<K,V> d = q.down;//在下一级别索引中查找

if (d != null) {//如果还存在更低级别的索引，在更低级别的索引中继续查找

q = d;

r = d.right;

} else

return q.node;//如果当前已经是最低级别的索引，当前索引节点关联的数据节点即为所求

}

}

}

插入

[java] view
plain copy

/**

* Associates the specified value with the specified key in this map.

* If the map previously contained a mapping for the key, the old value is replaced.

*

* @param key key with which the specified value is to be associated

* @param value value to be associated with the specified key

* @return the previous value associated with the specified key, or

* <tt>null</tt> if there was no mapping for the key

* @throws ClassCastException if the specified key cannot be compared

* with the keys currently in the map

* @throws NullPointerException if the specified key or value is null

*/

public V put(K key, V value) {

if (value == null)

throw new NullPointerException();

return doPut(key, value, false);

}

[java] view
plain copy

/**

* Main insertion method. Adds element if not present, or replaces value if present and onlyIfAbsent is false.

* @param kkey the key

* @param value the value that must be associated with key

* @param onlyIfAbsent if should not insert if already present

* @return the old value, or null if newly inserted

*/

private V doPut(K kkey, V value, boolean onlyIfAbsent) {

Comparable<? super K> key = comparable(kkey);

for (;;) {

Node<K,V> b = findPredecessor(key);//查找前驱数据节点

Node<K,V> n = b.next;

for (;;) {

if (n != null) {

Node<K,V> f = n.next;

//1、b的后继两次读取不一致，重试

if (n != b.next) // inconsistent read

break;

Object v = n.value;

//2、数据节点的值为null,表示该数据节点标记为已删除，移除该数据节点并重试。

if (v == null) { // n is deleted

n.helpDelete(b, f);

break;

}

//3、b节点被标记为已删除，重试

if (v == n || b.value == null) // b is deleted

break;

int c = key.compareTo(n.key);

if (c > 0) {//给定key大于当前可以，继续寻找合适的插入点

b = n;

n = f;

continue;

}

if (c == 0) {//找到

if (onlyIfAbsent || n.casValue(v, value))

return (V)v;

else

break; // restart if lost race to replace value

}

// else c < 0; fall through

}

//没有找到，新建数据节点

Node<K,V> z = new Node<K,V>(kkey, value, n);

if (!b.casNext(n, z))

break; // restart if lost race to append to b

int level = randomLevel();//随机的索引级别

if (level > 0)

insertIndex(z, level);

return null;

}

}

}

[java] view
plain copy

/**

* Creates and adds index nodes for the given node.

* @param z the node

* @param level the level of the index

*/

private void insertIndex(Node<K,V> z, int level) {

HeadIndex<K,V> h = head;

int max = h.level;

if (level <= max) {//索引级别已经存在，在当前索引级别以及底层索引级别上都添加该节点的索引

Index<K,V> idx = null;

for (int i = 1; i <= level; ++i)//首先得到一个包含1~level个索引级别的down关系的链表，最后的inx为最高level索引

idx = new Index<K,V>(z, idx, null);

addIndex(idx, h, level);//Adds given index nodes from given level down to 1.新增索引

} else { // Add a new level 新增索引级别

/* To reduce interference by other threads checking for empty levels in tryReduceLevel, new levels are added

* with initialized right pointers. Which in turn requires keeping levels in an array to access them while

* creating new head index nodes from the opposite direction. */

level = max + 1;

Index<K,V>[] idxs = (Index<K,V>[])new Index[level+1];

Index<K,V> idx = null;

for (int i = 1; i <= level; ++i)

idxs[i] = idx = new Index<K,V>(z, idx, null);

HeadIndex<K,V> oldh;

int k;

for (;;) {

oldh = head;

int oldLevel = oldh.level;//更新head

if (level <= oldLevel) { // lost race to add level

k = level;

break;

}

HeadIndex<K,V> newh = oldh;

Node<K,V> oldbase = oldh.node;

for (int j = oldLevel+1; j <= level; ++j)

newh = new HeadIndex<K,V>(oldbase, newh, idxs[j], j);

if (casHead(oldh, newh)) {

k = oldLevel;

break;

}

}

addIndex(idxs[k], oldh, k);

}

}