一：一致性hash算法
一致性hash场景描述：
假如有三台缓存服务器，此时一个数据要缓存到其中一台，并且要一次查询快速定位。一种简单实用的方法就是
对此时数据标识（key）进行hash取值，然后根据hash值与服务器数量取余获得余数，此数代表了那一台服务器，
此时数据就缓存在这台服务器上。但是会有个问题，当缓存服务器数量增加或者减少时，原先缓存的数据因为
服务器数量的增加或者减少，导致余数变化，此时获取缓存肯定是失效的，而且是全局缓存失效，这时导致缓存
失去意义，这种情况下，出现了一致性hash
概念：
上述普通算法是根据服务器数量进行取模运算，而一致性hash就是对 2^32 取模
把 2^32 想象成一个圆，也就是一个圆上分布了 2^32 个点，又被称为 hash环
上述hash值对 2^32 取模后（假设为A），会落在 0-2^32-1 上的某一个点，而此时用 服务器ip % 2^32 取模之后的数，
代表此时服务器所在的点（假设为B），假设 A等于B 或者 A在B的逆时针方向，且靠的最近（hash环是按照顺时针方向
定义，也就是A会找最近并且在它的顺时针方向上的点，即大的点）
出现服务器数量增加或者减少后，hash值对于 2^32 取模后的值是相对不变的，也就是缓存的点总是不变，变化的只是
hash环上某一节点上服务器数的增减，但是影响只限于增减那一段上的，其他地方不会影响。这就是一致性hash相对于普通
hash的优点
优点：只影响增减那一段上的数据，其它节点上无感知，正常运行。而普通的取模算法就会导致所有的节点数据异常，一个影响
部分，一个影响全部
hash环的偏斜：
对于服务器ip进行hash取模，很大可能各个节点不是均匀散落在hash环上，这就是hash环的偏斜，由此会导致某一服务器
上会分布大量数据，而为了防止这种现象，使用“虚拟节点”解决此问题
虚拟节点：
虚拟节点是真实节点在hash环上的复制品，一个真实节点可以对应许多的虚拟节点，当然虚拟节点越多，分布就会越均匀，
数据分布效果越好。
分析：比如有一百个虚拟节点，从1-100，hash值+ 1-100 ，然后取模，此时大的数取值会大，小的数取值会小，效果也不好
此时 hash算法要定义一个尽量差异大的，这样相近的hash也会分散开，使得多个节点及其虚拟节点相互混杂，这样
效果越好，使用虚拟节点就解决了hash环偏斜的问题
二：代码实现及其使用测试
代码实现：Ketama.java
使用：
/*
* 一致性hash实现：将所有的在线服务都存储到统一 treeMap中，进行负载均衡（路由到其他地址）
*/
List servers = new ArrayList<>();
for (String server : servers){
Logs.info("server router add ketama server({})", server);
ketama.add(server);
}
测试：Ketama.java中 main() 方法，详细介绍如何使用
###资料链接
hash一致性 经典理解：http://www.zsythink.net/archives/1182/
