它说：
我们从一些定义开始。对于覆盖距离范围2i，2i + 1的k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是非空桶的最小索引。将节点x中的节点y的桶高度定义为x将插入y的桶的索引减去x的最低有效空桶的索引。由于节点ID是随机选择的，因此不太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，具有压倒性概率的任何给定节点的高度将在log n的常数内。此外，最近节点与第k个最近节点中的ID的桶高度可能在log k的常数内。
我可以理解铲斗高度的定义，但我不知道为什么我们需要这个定义，而且我不理解该段落的最后一句。
更新：我还认为该论文有一个拼写错误：桶高应该是包含y的桶的索引减去x的最低有效“NON-”空桶的索引。我错了吗？
但我不知道为什么我们需要这个定义
在路由表大小和查找步骤方面，kademlia的O（log n）效率的参数基于将n个节点的整个密钥空间映射到k-buckets，其中更远的桶覆盖密钥空间的指数级更大的分数。有效地将整个网络压缩为有偏差的样本列表。
然后进一步向下的论点基于这个基于桶的投影。
此外，最近节点与第k个最近节点中的ID的桶高度可能在log k的常数内。
我认为这是一种令人费解的方式，说你的k个最近邻居都会在同一个桶中或附近结束，即最深的一个（最小的索引非空桶）。
请注意，这是以flat layout表示的，在树形布局中，最小的桶将类似于但不一定与自己的ID覆盖桶相同。