它说：
我们从一些定义开始。对于覆盖距离范围2i，2i + 1的k个桶，将桶的索引定义为i。将节点的深度h定义为160 − i，其中i是非空存储桶的最小索引。在节点x中将节点y的存储桶高度定义为x将插入y的存储桶的索引减去x最低有效空存储桶的索引。由于节点ID是随机选择的，因此不可能出现高度不均匀的分布。因此，对于具有n个节点的系统，以给定的概率，任何给定节点的高度都将在log n的常数之内。此外，在第k个最近节点中，最接近ID的节点的存储桶高度可能会在log k的常数之内。
我可以理解铲斗高度的定义，但是我不知道为什么需要这个定义，而且我也不理解该段的最后一句。
更新： 我还认为该纸有一个错字：存储桶高度应为包含y的存储桶的索引减去x最小有效的“非”空存储桶的索引。我错了吗？
答案 0 :(得分：1)
但是我不知道为什么我们需要这个定义
关于kademlia的O（log n）效率的论点，是基于路由表的大小和查找步骤，是基于将n个节点的整个键空间映射到k个桶中的，其中更远的桶覆盖了指数空间的指数级更大部分。有效地将整个网络压缩为有偏差的样本列表。
然后更进一步的论点基于此基于存储桶的投影。
此外，在第k个最近节点中，最接近ID的节点的存储桶高度可能会在log k的常数内。
我认为这是一种令人费解的说法，即您的k个最近的邻居都将最终都位于同一存储桶中或附近，即最深的存储桶（索引最小的非空存储桶）。
请注意，这是用flat layout表示的，在树形布局中，最小的存储桶类似于但不一定与自己的ID覆盖存储桶相同。