Hash一致性算法

Hash一致性算法

一、Hash一致性算法
　　通过hash一致性算法，将对应的key哈希到一个具有2^32 次方个桶的空间中，即0~(2^32)-1的数字空间中。现在我们可以将这些数字头尾相连，想象成一个闭合的环形。固定的key就会落在固定服务器上。
　　在采用一致性哈希算法的分布式集群中将新的机器加入，其原理是通过使用与对象存储一样的Hash算法将机器也映射到环中（一般情况下对机器的hash计算是采用机器的IP或者机器唯一的别名作为输入值），然后以顺时针的方向计算，将所有对象存储到离自己最近的机器中。
　　问题：引起数据命中失效。当新增或减少服务器节点，会引起部分hash值命中的节点偏移，而造成数据命中失效。例如：原来指向3节点的，加入1台服务器后，可能有部分就被分配到新的4节点上，而分配过去的用户在查询时，新服务器上没有数据，造成缓存命中失败，而对服务器数据库形成压力。同时，这部分信息仍然会在3节点中占用内存，可已经变成僵尸数据，无人问津。虽然redis会根据清除算法，默认LRU，慢慢的会把它们干掉，但总是不好的。
　　这个问题无法完美的解决，但可以让这个命中率不会很大的损失。于是引入虚拟节点（virtual node）的概念。类似权限管理：传统是将用户和权限直接挂钩，但这样用户修改权限就非常频繁，引入一个中间层角色。用户和角色绑定，角色和权限绑定。这样当用户权限发生变更，只调整少量的角色即可。虚拟节点正应用此原理。用户的hash和虚拟节点绑定，虚拟节点再和真实服务器绑定。这样当新增服务器时，只需改变虚拟节点即可，即调整真实服务器对应虚拟节点的范围，这样一台真实服务器对应虚拟节点上的范围小了一点，之前用户访问当前服务器的缓存命中率降低，但这已经比较理想的解决上述问题了。
　　虽然虚拟并不能百分百的解决缓存命中失效的问题，但把问题缩小化，这样影响面小，即使缓存失效，数据库也能承受起用户的负载，从而稳定过渡。
　　
　　计算：2^32=4 294 967 296