内存数据库索引结构有哪些？除T-Tree、Adaptive Radix Tree外还有吗

除了你已经了解的T-Tree、自适应基数树（Adaptive Radix Tree, ART）之外，主流的内存数据库索引还包括以下几类：

• 跳表（Skip List）
  是很多内存数据库的首选索引结构，比如Redis有序集合、LevelDB/RocksDB的MemTable都采用该实现。核心优势是实现简单，范围查询性能稳定，插入/删除平均时间复杂度为O(log n)，不需要做树结构的平衡调整，并发控制的实现难度远低于各类平衡树。针对内存场景优化的跳表还会通过压缩节点指针、批量节点分配的方式降低内存开销。
• 哈希索引
  是纯内存点查场景下性能最高的索引类型，时间复杂度可达O(1)，很多内存KV数据库的默认索引就是哈希索引。缺点是不支持范围查询，且哈希冲突会导致性能劣化。现在主流的优化版本包括线性哈希、可扩展哈希、布谷鸟哈希等，都针对内存访问特性做了缓存行对齐、无锁化适配。
• MassTree
  是针对多核内存场景优化的树状索引，本质是Trie树和B+树的结合体，第一层用Trie做键的前缀分片，每个分片对应一棵B+树，既保留了基数树对长键的友好支持，又吸收了B+树的缓存友好特性，在多核并发场景下的吞吐量比ART高30%左右，是现在很多NewSQL内存引擎的首选索引。
• 缓存友好B+树（Cache-Line Optimized B+ Tree）
  是传统磁盘B+树针对内存场景的优化版本，核心调整是把节点大小设置为和CPU缓存行对齐（通常为64字节），减少随机访问时的缓存失效，同时去掉了传统B+树的持久化相关字段，进一步降低内存开销。适合有大量范围查询需求的场景，性能比普通平衡树高2~5倍。
• 鸡尾酒树（Cocktail Tree）
  是近年提出的混合索引结构，针对内存访问的冷热分层特性设计，热数据层用哈希索引加速点查，冷数据层用有序树结构支持范围查询，能同时满足高并发点查和大范围扫描的需求，在混合负载场景下的性能表现比单一结构的索引更均衡。
• 学习索引（Learned Index）
  是AI和数据库结合的新方向，用机器学习模型学习数据的分布规律来替代传统索引的键查找逻辑，理论上能把索引的内存开销压缩到传统结构的1/10以下，点查性能提升数倍。现在已经有成熟的面向内存场景的实现，不过对数据分布的稳定性要求较高，适合数据分布变化不大的静态数据集场景。

内容的提问来源于stack exchange，提问作者Robin