Hash算法比較重要的考量點有兩個：
1.單調性（新增或者減少映射節點時，儘量不影響原有映射關係） 2.平衡性（儘量均勻分佈）
分佈式領域常見負載均衡算法：
（1）取餘法：%n
如果有3個節點，Hash之後取模求餘 Hash（x）%3，
如果加一個節點，則 Hash（x）%4。
這種方法帶來的問題：
1 一個 cache 服務器 m down 掉了（在實際應用中必須要考慮這種情況），這樣所有映射到 cache m 的對象都會失效，怎麼辦，需要把 cache m 從 cache 中移除，這時候 cache 是 N-1 臺，映射公式變成了 hash(object)%(N-1) ； 2 由於訪問加重，需要添加 cache ，這時候 cache 是 N+1 臺，映射公式變成了 hash(object)%(N+1) ； 1 和 2 意味着什麼？這意味着突然之間幾乎所有的 cache 都失效了。對於服務器而言，這是一場災難，洪水般的訪問都會直接衝向後臺服務器； 再來考慮第三個問題，由於硬件能力越來越強，你可能想讓後面添加的節點多做點活，顯然上面的 hash 算法也做不到。 有什麼方法可以改變這個狀況呢，這就是 consistent hashing...
解釋下爲什麼cache會失效：
假如有6個數據分別是1，2，3，4，5，6，有3臺機器，用取餘算法%3。設定餘數爲0對應的是第一臺機器，餘數爲1對應的是第二臺機器，餘數爲2對應的是第三臺機器。那麼數據3和6存儲在第一臺機器，1和4存儲在第二臺機器，2和5存儲在第三臺機器。如果這時候增加一臺機器變成4臺，用取餘算法%4實現，映射到某臺機器的規則和之前的類似，那麼數據4存儲在第一臺機器，數據1和5存儲在第二臺機器，數據2和6存儲在第三臺機器，數據3存儲在第4臺機器。
原來3臺機器： M1：（3，6） M2: （1，4） M3: （2，5）
變成4臺機器：M1: （4） M2: （1，5） M3: （2，6） M4: （3）
可以看到1，2，3，4臺機器的數據都將會有變化。
而如果採用一致性hash算法，則能減少數據變化的機器。
（2）一致性hash算法
實現步驟：
第一步：採用一種hash算法，把服務器地址或者主機名映射到一個2的32次方的環上。爲什麼是2的32次方？IPv4的ip地址佔4個字節，可以存儲2的32次方比特位信息。
第二步：把要存儲的key採用同樣的hash算法映射到環上，如果命中某個服務器地址則存在該臺服務器，如果在服務器1和服務器2的地址的中間，則按從小到大去搜索，找到的第一個服務器，就映射到該臺服務器上。
好處：增加和減少節點時，隻影響附近的一個節點，不會像取餘法一樣影響全部節點的數據。
改進：
另外，一致性哈希算法在服務節點太少時，容易因爲節點分部不均勻而造成數據傾斜問題。例如系統中只有兩臺服務器，可能大量的數據都存在一臺服務器，另一臺服務器只存儲了很少的數據。爲了解決這種情況，可以增加虛擬環。
爲了解決這種數據傾斜問題，一致性哈希算法引入了虛擬節點機制，即對每一個服務節點計算多個哈希，注意，這裏的多個哈希算法應該使得結果儘量分佈均勻，才能最大程度減少數據傾斜的情況。每個計算結果位置都放置一個此服務節點，稱爲虛擬節點。具體做法可以在服務器ip或主機名的後面增加編號來實現。例如上面的情況，可以爲每臺服務器計算三個虛擬節點，於是可以分別計算 “Node A#1”、“Node A#2”、“Node A#3”、“Node B#1”、“Node B#2”、“Node B#3”的哈希值。同時數據定位算法不變，只是多了一步虛擬節點到實際節點的映射，例如定位到“Node A#1”、“Node A#2”、“Node A#3”三個虛擬節點的數據均定位到Node A上。這樣就解決了服務節點少時數據傾斜的問題。在實際應用中，通常將虛擬節點數設置爲32甚至更大，因此即使很少的服務節點也能做到相對均勻的數據分佈。