哈希算法（下）：哈希算法在分布式系统中有哪些应用？

------本文是学习算法的笔记，《数据结构与算法之美》，极客时间的课程------
这一节来说说哈希算法的另外三种应用：负载均衡、数据分片、分布式存储。其实这三个应用都跟分布式系统有关。今天就看一下，哈希算法是如何解决这些分布式问题的。

应用五：负载均衡

我们知道，负载均衡算法很多，比如轮询、随机、加权轮询等。那如何才能实现一个会话粘滞（session sticky）的负载均衡算法呢？也就是说，我们需要在同一个客户端上，在一次会话中的所有请求都路由到同一个服务器上。

最直接的方法就是，维护一张映射表，这张表的内容是客户端IP地址或者会话ID与服务器编号的映射关系。客户端发出的每次请求，都要先在映射表中查找应该路由到的服务器编号，然后再请求编号对应的服务器。这种方法直观，但也有几个弊端：

如果客户端很多，映射表可能很大，比较浪费内存空间。

客户端下线、上线，服务器扩容、缩容都会导致映射失效，这样维护日程表的成本就会很大；

如果借助哈希算法，这些问题都可以非常完美地解决。我们可以通过哈希算法，对客户端IP地址或者会话ID计算哈希值，将取得的哈希值与服务器列表的大小进行取模运算，最终得到的值就是应该被路由到的服务器编号。这样，我们就可以把同一个IP过来的请求，都路由到同一个后端服务器上。

应用六：数据分片

哈希算法还可以用于数据分片。这里有两个例子。

1、如何统计“搜索关键词”出现的次数？

假如我们有1T的日志文件，这里面记录了用户搜索的关键词，我们想要书屋中统计出每个关键词被搜索的次数，该怎么做？

我们来分析下，这个问题有两个难点，第一个是搜索日志很大，没办法放到一台机器的内存中。第二个难点是，如果只用一台机器来处理这么巨大的数据，处理时间会很长。

针对这两个难点，**我们可以先对数据进行分片，然后优胜多台机器处理的方法，来提高处理速度。**具体思路是这样的：为了提高处理的速度，我们用n 台机器并行处理，我们从搜索记录的日记文件中，依次读出每个搜索的关键词，并且通过哈希函数计算哈希值，然后再跟n 取模，最终得到的值，就是应该被分配到的机器编号

这样，哈希值相同的搜索关键词就被分配到了同一个机器上。也就是说，同一个搜索关键词会被分配到同一个机器上。每个机器会分别计算关键词出现的次数，最后合并起来就是最终的结果。

实现上，这里的处理过程也是MapReduce的基本设计思想。

2、如何快速判断图片是否在图库中？

上一节，我们讲过这个例子，即给每个图片取唯一标识（或者信息摘要），然后构建散列表。

假设现在我们的图库中有1亿张图片，很显然，在单台机器上构建散列表是行不通的。因为单台机器的内存有限，而1亿张图片构建散列表显然远远超过了单台机器的内存上限。

我们两样可以对数据进行分片，然后采用多机处理。我们准备n 台机器，让每台机器只维护某一部分图片对就的散列表。我们每次从图库中读取一个图片，计算唯一标识，然后与机器个数n 求余取模。假设得到的值是k，那就去编号k 的机器构建的散列表中查找。

现在，我们来估算一下，给这1亿张图片构建列表大约需要 多少台机器。

散列表中每个数据单元包含两个信息，哈希值和图片文件的路径。假设我们通过MD5来计算哈希值，那长度就是128比特，也就是16字节。文件路径长度的上限是256字节，我们可以假设平均长度是128字节。如果我们用链表表来解决总被，那还需要存储指针，指针只占用8字节。所以，散列表中每个数据单元就占用152字节（这里只是估算，并不准确）

假设一台机器的内存大小为2GB，散列表的装载因子为0.75，那一台机器可以给大约1000万（2GB * 0.75 / 152）张图片构建散列表。所以，如果要对1亿张图片构建索引，需要大约十几台机器。在工程中，这种估算还是很重要的，能让我们对需要投入的资源、资金有个大概的了解，能更好地评估解决方案的可靠性。

实际上，针对这种海量数据的处理，我闪都可以采用多机分布式处理。借助这种分片的思路，可以突破单机内存、CPU等资源的限制。

应用七：分布式存储

现在互联网面对的都是海量的数据、海量的用户。我们为了提高的读取、写入能力，一般都优胜分布式的方式来存储数据，比如分布式缓存。我们有海量的数据需要缓存，所以一个缓存机器肯定是不够的。于是，我们需要将数据健在在多台机器上。

如何决定将哪个数据放到哪个机器上呢？我们可以借用数据分片的思想，即通过哈希算法对数据取哈希值，然后对机器个数取模，这个最终就是应该存储的缓存机器编号。

但是，如果数据增多，原来的10个机器已经无法承受了，我们就需要扩容了，比如搞到11个机器，这时候麻烦就来了。因为，这里并不是简单加个机器就可以了。

原来的数据是通过与10来取模的。比如13这个数据，存储在编号为3这台机器上。但是新加了一台机器中，我们对数据按照11取模，原来的13数据就被分配到2号这台机器上了。

因此，所有的数据都要重新计算哈希值，然后重新搬移到正确的机器上。这样就相当于，缓存中的数据一下子就都失效了。所有的数据请求都地穿透缓存，直接去请求数据库。这样就可能发生雪崩效应，压垮数据库。

所以，我们需要一种方法，使得加入一个机器后，并不需要做大量的数据搬移。这时候，一致性哈希算法就要全场了。

假设我们有k 个机器，数据的哈希值的范围是[0,MAX]。我们将整个范围划分成m 个小区间（m 远远大于k），每个机器负责m/k个小区间。当有新机器加入的时候，我们就将某几个小区间的数据，从原来的机器中搬移到校报的机器中。这样，即不用全部重新哈希、搬移数据，也保持了各个机器上数据量的均衡。

一致性哈希算法的基本思路就这么简单。除此之外，它还会借助一个虚拟的环和虚拟的结点，更加优美的实现出来，这里就不展开讲了，如果感兴趣，可以从网上查看一致性哈希算法的相关文章
漫画版：什么是一致性哈希
白话解析——什么是一致性哈希算法

除了我们上面讲到的分布式缓存，实际上，一致性哈希算法的应用非常广泛，在很多分布式存储系统中，都可以见到一致性哈希算法的影子。