1.簡述
1.1.哈希算法
哈希算法：將任意長度的輸入通過散列算法轉換成固定長度的輸出。
哈希算法是一種映射算法，將任意個數的輸入映射爲固定個數的哈希值。
1.2.應用場景舉例
分佈式緩存
現有用戶數據3000萬，爲提高訪問速度，將用戶基本信息保存在緩存中，其中：
- key=user:{uid}，其中uid爲用戶ID，由UUID生成。value爲姓名、賬號級別等構成的Json串。
- 爲了分擔單臺服務器壓力，將緩存數據分攤在3臺服務器上。
- 爲了能夠快速定位某個用戶所在的服務器，通過
key % 3的哈希算法分配圖片的存儲位置。 - 理想情況下，服務器node2有1000萬用戶信息，相當於1000萬個key經過哈希都映射爲哈希值2.
其他應用：
- 數據庫分表
1.3.普通哈希算法的缺陷
正常情況下，上述哈希算法是沒有問題的。
但是，因爲一些原因，需要增減服務器，這是必然導致哈希算法的變化，例如變爲 key % 5。
當哈希算法的模數發送變化時，原有的映射值幾乎全部失效，需要重新映射幾乎全部數據，這個工作量十分巨大。
缺陷總結：當增加或移除節點時，普通哈希算法幾乎需要重新映射全部關鍵字。
一致性哈希算法能夠在一定程度上解決上述缺陷。
2.一致性哈希算法
一致性哈希 是一種特殊的哈希算法。
在使用一致哈希算法後，節點的改變平均只需要對K/N 個關鍵字重新映射，其中K是關鍵字的數量，N是節點數量。
下面分表講述一致性哈希的幾個關鍵問題：算法步驟、節點增減、哈希偏斜、虛擬節點。
2.1.算法步驟
哈希算法也是一種取模算法，只是，模數固定爲2^32，也就是說哈希值範圍：0 ~ (2^31 - 1)，如下圖所示：
一致性哈希環：
- 圖中的圓環稱之爲
一致性哈希環，由2^32個節點構成。。 - 節點按照順時針排列，正上方節點爲0，節點0的左側相鄰節點爲
2^31-1節點。
一致性哈希算法：
- 對服務器進行
ip % (2^32)哈希，結果如圖中綠色的點所示。 - 對key進行
key % (2^32)哈希，結果如同種紫色的點所示。 - 判斷key所屬服務器：從紫色點的位置開始，順時針探索，遇到的第一個綠色的點，就是其所屬的服務器。
2.2.增減節點
那麼，一致性哈希算法，如何在一定程度上解決節點增減引起的問題呢？如下圖所示：
節點增加：
- 圖中節點D爲新增節點。
- 此時，只需將
節點D至節點B之間的key重新映射至節點D即可，圖中只有1個key受此影響。
節點減少：
- 圖中節點A爲移除節點。
- 此時，只需將
節點A至節點C之間的key重新映射至節點BB即可，圖中只有3個key受此影響。
總結：(理想情況下)
- 假定共有K個key和N個節點，每個節點上存儲K/N個key。
- 當新增節點時，只需將
新增節點內至新增節點的上個節點之間的key重新映射至新增節點即可，共計(K/N)/2個key。 - 當移除節點時，只需將
移除節點至移除節點的上個節點之間的key重新映射至移除節點的下個節點即可，共計(K/N)個key。 - 所以說，一致性哈希能夠在一定程度上解決增減節點的問題，而不是完全解決。
2.3.哈希偏斜
討論哈希問題，必然需要討論哈希偏斜問題。下圖就是一致性哈希偏斜的例子：
如圖中所示：
- 節點A上映射了9個key，而節點C上只映射了1個key。
- 這種情況下，理論上，服務器A需要承受的壓力是服務器C的9倍。
那麼，一致性哈希如何解決哈希偏斜問題，這就需要進入虛擬節點的概念了。
2.4.虛擬節點
下圖就是增加了虛擬節點的一致性哈希環：
如圖所示：
- 深綠色節點爲實際服務器的哈希結果，淺綠色節點爲虛擬節點。
- 虛擬節點如何產生？很多種方法，如：
ip+number % (2^32)。 - 如圖，虛擬節點B1和B2都是服務器B的IP+順序號進行一致性哈希算法生成的，所以映射到B1和B2的key其實還是映射到了節點B上。
- 增加虛擬節點之後，節點A、B、C上分別映射了3、4、5個節點，偏斜情況大大改觀。
總結：
- 在一致性哈希算法中，可以通過虛擬節點解決哈希偏斜問題。
- 理論上，增加的虛擬節點越多，哈希值分佈越平均。
- 當然，也要注意虛擬節點的生成算法是否合理，生成的虛擬節點是否分佈平均。