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。

哈希算法(下):哈希算法在分布式系统中有哪些应用?_第1张图片
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。

你可能感兴趣的:(算法与数据结构)