一致性哈希算法及其实现（Consistent Hashing）

一致性哈希算法及其实现（Consistent Hashing）

一，一致性哈希算法的原理

1，一致性哈希算法诞生的背景
    技术和业务是相互推动，共同前进的。一致性哈希算法的产生也源于业务的需求。随着业务的增长，一台单机
已经不能满足业务的需要，分布式架构应运而生。分布式环境下，多台机器需要协同作业，如果保证数据在分布式
环境下的一致性，就成为了亟待解决的问题。一致性哈希算法，就是为了解决多台机器，在动态增删的情况下，能够
最大限度地保证信息的一致性。
    一致性哈希算法是一种分布式哈希算法，设计目标是为了解决互联网中的热点(Hot spot)问题。一致性哈希算法
设计初衷和CARP十分类似。CARP，即Composition/Aggregation Principle，组合/聚合原则。CARP的目标之一，是为
了改善服务的可用性。在多台服务器环境下，进行故障转移，提高系统的可用性。一致性哈希修正了CARP使用的简单
哈希算法带来的问题，使得分布式哈希（DHT）可以在P2P环境中真正得到应用。

2，一致性哈希算法实现参考标准
    设计一致性hash算法，一般需要遵循以下几个标准：
2.1、平衡性(Balance)：平衡性不仅仅指的是平均分配，可以理解为一种加权的平均，根据每台服务器的能力，把任务
分配下去，充分利用每台机器的资源。
2.2、单调性(Monotonicity)：如何理解单调性？是一个难点。网上的说法基本上都是“拿来主义”，并没有把单调性的
概念说清楚。如果仅仅从概念上来说单调性，很难说清楚。我们可以换一个角度来解读“单调性”，从单调性要解决的
问题入手，解读“单调性”，或者说从单调性的功能入手，解读“单调性”。在动态变化的分布式环境中，增加服务器节点
和移除服务器节点是最常见的操作。如果我们采用简单的哈希算法，比如使用节点的IP的哈希值hash%节点数N，做为哈
希值，映射到节点上。那么，一旦节点数发生了变化，所以的哈希值都会失效。单调性就是为了解决这个问题的。
2.3、分散性(Spread)：在分布式环境中，节点A有可能看不到其他所有的N-1个节点，只看到其中的一部分节点。当节
点A将数据映射到其他节点时，由于不同节点所见的集群范围有可能不同，从而导致哈希的结果不一致，最终相同的
数据被不同的节点映射到不同的内存中。这种情况显然是应该避免的，因为它导致相同的数据被存储到不同的节点，降低
了系统存储的效率。分散性目前不是很理解，为什么相同的数据会映射到不同的节点呢？留着以后研究。
2.4、负载(Load)：负载的概念看了网上的说法，也不是很明白，留着以后研究。


二，一致性哈希算法的创新点

    一致性哈希算法的实现过程，其实就是为了解决上述问题的过程。我们这里不按照网上的方式进行枯燥的讲解，而是
通过对比，进行有针对性的讲解。一致性哈希算法，在不同的系统环境下，具有不同的实现方式。但是，实现的大致过程
还是一致的。

1，静态映射 --> 动态映射
    普通的哈希算法，比如上面提到的（hash % N），由于数据和节点是静态绑定的。也就是说，进行哈希运算后，数据
和节点之间的关系就确定了。一旦节点数发生变化，所有的哈希都失效了。一致性哈希算法，是如何解决这个问题的呢？
一致性哈希算法引入了环的概念，并且最关键的创新点是：将节点的分配和数据的分配，拆分成了2个独立的过程。数据
和节点的关联，不是通过哈希算法直接建立起来的。这样数据和节点就相对独立了，节点A的变化，并不会影响到整个分布
式系统，因为此时不需要对所有数据进行哈希运算。
    一致性哈希算法的进步之处在于，把数据和节点的关联，从“静态”变成了“动态”。

2，顺时针就近查找节点
    一致性哈希算法是怎么把数据和节点关联起来的呢？在节点和数据都哈希到圆环上以后，数据通过顺时针方向查找的
方式，与节点建立关联。数据把顺时针找到的第一个节点作为自己的存储位置，这样一来，数据和节点就完美的关联起来
了。

三，一致性哈希算法面对的问题

    一致性哈希算法解决了普通哈希算法不能解决的问题，但是一致性哈希算法也存在一定的缺陷。在节点A挂掉的情况下，
映射到节点A上的数据，会受到影响。因为之前映射到A节点的数据，现在按照顺时针查找，映射到了节点A的下一个节点。
同样的，在增加一个节点时，也会影响一部分数据。
    一致性哈希算法的另一个缺陷是，当集群中的节点数量很少时，会造成数据倾斜。数据倾斜的问题，可以通过虚拟节点
的方式来解决。在虚拟节点和实际节点之间再增加一次映射。

    总之，相比于普通的哈希算法，一致性哈希算法对于节点的动态增删，具有一定的容错性和可扩展性。

    /** 
     *  MurMurHash算法，是非加密HASH算法，性能很高， 
     *  比传统的CRC32,MD5，SHA-1（这两个算法都是加密HASH算法，复杂度本身就很高，带来的性能上的损害也不可避免） 
     *  等HASH算法要快很多，而且据说这个算法的碰撞率很低. 
     *  http://murmurhash.googlepages.com/ 
     */  
    private Long hash(String key) {  
          
        ByteBuffer buf = ByteBuffer.wrap(key.getBytes());  
        int seed = 0x1234ABCD;  
          
        ByteOrder byteOrder = buf.order();  
        buf.order(ByteOrder.LITTLE_ENDIAN);  
  
        long m = 0xc6a4a7935bd1e995L;  
        int r = 47;  
  
        long h = seed ^ (buf.remaining() * m);  
  
        long k;  
        while (buf.remaining() >= 8) {  
            k = buf.getLong();  
  
            k *= m;  
            k ^= k >>> r;  
            k *= m;  
  
            h ^= k;  
            h *= m;  
        }  
  
        if (buf.remaining() > 0) {  
            ByteBuffer finish = ByteBuffer.allocate(8).order(  
                    ByteOrder.LITTLE_ENDIAN);  
            // for big-endian version, do this first:   
            // finish.position(8-buf.remaining());   
            finish.put(buf).rewind();  
            h ^= finish.getLong();  
            h *= m;  
        }  
  
        h ^= h >>> r;  
        h *= m;  
        h ^= h >>> r;  
  
        buf.order(byteOrder);  
        return h;  
    }  

四，一致性哈希算法的java实现

package redis.cn;
import java.nio.charset.Charset;
import java.util.List;
import java.util.SortedMap;
import java.util.TreeMap;
import com.google.common.hash.HashFunction;
import com.google.common.hash.Hashing;
public class ConsistentHash {
	// ------------------ 一致性哈希算法的java实现 ------------------
    private SortedMap ketamaNodes = new TreeMap();
    private int numberOfReplicas = 1024;
    // 这里使用了谷歌的jar包 -- guava-18.0.jar
    private HashFunction hashFunction = Hashing.md5();
    private List nodes;
    private volatile boolean init = false; //标志是否初始化完成
    // 有参数构造函数
    public ConsistentHash(int numberOfReplicas,List nodes){
        this.numberOfReplicas = numberOfReplicas;
        this.nodes = nodes;
        init();
    }
    // 根据key的哈希值，找到最近的一个节点（服务器）
    public String getNodeByKey(String key){
        if(!init)
        	throw new RuntimeException("init uncomplete...");
        // 注意，这里是NIO包 java.nio.charset.Charset
        byte[] digest = hashFunction.hashString(key, Charset.forName("UTF-8")).asBytes();
        long hash = hash(digest,0);
        //如果找到这个节点，直接取节点，返回
        if(!ketamaNodes.containsKey(hash)){
            //得到大于当前key的那个子Map，然后从中取出第一个key，就是大于且离它最近的那个key
            SortedMap tailMap = ketamaNodes.tailMap(hash);
            if(tailMap.isEmpty()){
                hash = ketamaNodes.firstKey();
            }else{
                hash = tailMap.firstKey();
            }

        }
        return ketamaNodes.get(hash);
    }
    // 新增节点
    public synchronized void addNode(String node){
        init = false;
        nodes.add(node);
        init();
    }

    private void init(){
        //对所有节点，生成numberOfReplicas个虚拟节点
        for(String node:nodes){
            //每四个虚拟节点为1组
            for(int i=0;i

五，一致性哈希算法在redis中的应用

　　Redis本身不支持集群，所以需要借助API或者其他第三方产品，来实现集群部署。当然，也可以借助一致性哈希算法来
实现Redis集群。Memcached对大家应该不陌生，通过把Key映射到Memcached Server上，实现快速读取。我们可以动态对其节点
增加，并未影响之前已经映射到内存的Key与memcached Server之间的关系，这就是因为使用了一致性哈希算法。Memcached的
哈希策略是在客户端实现的，因此不同的客户端实现有区别，以Spymemcache、Xmemcache为例，都是使用了KETAMA作为其实现。
    实现redis分布式集群，可以参考下面几种思路:
    * 使用jedis
    * 自己实现一致性哈希算法；

1，jedis
    jedis是redis客户端API。Redis-server端并没有sharding方法，但是我们可以使用jedis来实现分布式。jedis使用了一种
叫做sharding的思想。
    什么是sharding呢？简单的来说，就是数据库“分片”。sharding的核心理念就是将数据按照一定的策略"分散"存储在集群
中不同的物理机器上，从根本上来讲，实现了"大数据"分布式存储，体现了"集群"的概念。比如1亿条数据，我们可以根据数据
的hashcode，把数据散列存储在5个物理机器上。
    sharding的实现，也是基于一致性哈希算法。我们先来看一下sharding实现的关键源代码。
    1.1 hashcode取值：源码来自redis.clients.util.Hashing。Jedis中默认的hash算法是MD5，即我们熟悉的第五代信息摘要
算法：Message Digest Algorithm 5 。

    //少量优化性能  
    public ThreadLocal md5Holder = new ThreadLocal();  
    public static final Hashing MD5 = new Hashing() {  
	    public long hash(String key) {  
	        return hash(SafeEncoder.encode(key));  
	    }  
	    // sharding使用的哈希算法是MD5
	    public long hash(byte[] key) {  
	        try {  
	            if (md5Holder.get() == null) {  
	                md5Holder.set(MessageDigest.getInstance("MD5"));  
	            }  
	        } 
	        catch (NoSuchAlgorithmException e) {  
	            throw new IllegalStateException("++++ no md5 algorythm found");  
	        }  
	        MessageDigest md5 = md5Holder.get();  
	        md5.reset();  
	        md5.update(key); 
	        //获得MD5字节序列
	        byte[] bKey = md5.digest();  
	        //前四个字节作为计算参数，最终获得一个32位int值.  
	        //此种计算方式，能够确保key的hash值更加“随机”/“离散”  
	        //如果hash值过于密集，不利于一致性hash的实现(特别是有“虚拟节点”设计时)  
	        long res = ((long) (bKey[3] & 0xFF) << 24)  
	                 | ((long) (bKey[2] & 0xFF) << 16)  
	                 | ((long) (bKey[1] & 0xFF) << 8) 
	                 | (long) (bKey[0] & 0xFF);  
	        return res;  
	    }  
    };  

    1.2 node构建过程(redis.clients.util.Sharded)：

    //shards列表为客户端提供了所有redis-server配置信息，包括：ip，port，weight，name  
    //其中weight为权重，将直接决定“虚拟节点”的“比例”(密度)，权重越高，在存储是被hash命中的概率越高  
    //--其上存储的数据越多。  
    //其中name为“节点名称”，jedis使用name作为“节点hash值”的一个计算参数。  
    //---  
    //一致性hash算法，要求每个“虚拟节点”必须具备“hash值”，每个实际的server可以有多个“虚拟节点”(API级别)  
    //其中虚拟节点的个数= “逻辑区间长度” * weight，每个server的“虚拟节点”将会以“hash”的方式分布在全局区域中  
    //全局区域总长为2^32.每个“虚拟节点”以hash值的方式映射在全局区域中。  
    // 环形：0-->vnode1(:1230)-->vnode2(:2800)-->vnode3(400000)---2^32-->0  
    //所有的“虚拟节点”将按照其”节点hash“顺序排列(正序/反序均可)，因此相邻两个“虚拟节点”之间必有hash值差，  
    //那么此差值，即为前一个(或者后一个，根据实现而定)“虚拟节点”所负载的数据hash值区间。  
    //比如hash值为“2000”的数据将会被vnode1所接受。  
    private void initialize(List shards){
        //虚拟节点，采取TreeMap存储:排序，二叉树  
        nodes = new TreeMap();  
        for (int i = 0; i != shards.size(); ++i) {  
            final S shardInfo = shards.get(i);  
            if (shardInfo.getName() == null)  
                    //当没有设置“name”是，将“SHARD-NODE”作为“虚拟节点”hash值计算的参数  
                    //"逻辑区间步长"为160,为什么呢??  
                    //最终多个server的“虚拟节点”将会交错布局，不一定非常均匀。  
                for (int n = 0; n < 160 * shardInfo.getWeight(); n++) {  
                    nodes.put(this.algo.hash("SHARD-" + i + "-NODE-" + n), shardInfo);  
                }  
            else  
                for (int n = 0; n < 160 * shardInfo.getWeight(); n++) {  
                    nodes.put(this.algo.hash(shardInfo.getName() + "*" + shardInfo.getWeight() + n), shardInfo);  
                }  
            resources.put(shardInfo, shardInfo.createResource());  
        }  
    }

    1.3，node选择方式：

    public R getShard(String key) {  
        return resources.get(getShardInfo(key));  
    }    
    public S getShardInfo(byte[] key) {  
        //获取>=key的“虚拟节点”的列表  
        SortedMap tail = nodes.tailMap(algo.hash(key));  
        //如果不存在“虚拟节点”，则将返回首节点。  
        if (tail.size() == 0) {  
            return nodes.get(nodes.firstKey());  
        }  
        //如果存在，则返回符合(>=key)条件的“虚拟节点”的第一个节点  
        return tail.get(tail.firstKey());  
    }  

    Jedis sharding模式下，如果某个server失效，客户端并不会删除此sharding，所以如果访问此sharding将会抛出异常。
这是为了保持所有的客户端数据视图一致性。你可能希望动态的一致性hash拓扑结构（即如果某个shard失效，sharding结构
则重新调整，失效的sharding上的数据则被hash到其他sharding上），但是很遗憾，SharedJedis客户端无法支持，如果非要
支持，则需要巨大的代码调整，而且还需要引入额外的拓扑自动发现机制。（参看：redis cluster架构，已提供此问题的完
善解决方案）。不过，在持久存储的情况下,我们可以使用"强hash"分片,则需要重写其Hash算法。强hash算法下,如果某个虚
拟节点所在的物理server故障，将导致数据无法访问(读取/存储)，即不会从虚拟节点列表中删除那些失效的server。
    对于jedis如果重写了一致性哈希算法，你需要考虑以下几个方面：
    1) 虚拟节点hash是否相对均匀
    2) 数据的hash值分布是否均匀
    3) 虚拟节点在“全局”是否散列均匀。
    如果设计不良，很有可能导致数据在server上分布不均，而失去了sharding的本身意义。

2，java中使用jedis的demo

package redis.cn;
import java.util.ArrayList;
import java.util.List;
import org.apache.commons.pool2.impl.GenericObjectPoolConfig;
import redis.clients.jedis.JedisShardInfo;
import redis.clients.jedis.ShardedJedis;
import redis.clients.jedis.ShardedJedisPool;
/**
 * @author yangcq 
 * @category jedis也是一致性哈希算法的一种实现。搭建redis分布式集群，可以使用jedis。
 */
public class ShardedRedis {

	// 除了jdk自带的工具包以后，还需要导入下面2个jar包
	//    commons-pool2-2.0.jar
    //    jedis-2.4.2.jar
	
    public static void main(String[] args){
    	// jedis配置参数
        GenericObjectPoolConfig genericObjectPoolConfig = new GenericObjectPoolConfig();
        genericObjectPoolConfig.setMaxTotal(1000);
        genericObjectPoolConfig.setMaxIdle(500);

        List jedisShardInfoList = new ArrayList();
        JedisShardInfo jedisShardInfo1 = new JedisShardInfo("127.0.0.1",1234);
        JedisShardInfo jedisShardInfo2 = new JedisShardInfo("127.0.0.1",1235);
        JedisShardInfo jedisShardInfo3 = new JedisShardInfo("127.0.0.1",1236);
        jedisShardInfoList.add(jedisShardInfo1);
        jedisShardInfoList.add(jedisShardInfo2);
        jedisShardInfoList.add(jedisShardInfo3);

        ShardedJedisPool shardedJedisPool = new ShardedJedisPool(genericObjectPoolConfig,jedisShardInfoList);

        set("key1","value1",shardedJedisPool);
        set("key2","value2",shardedJedisPool);
        set("key3","value3",shardedJedisPool);
        set("key4","value4",shardedJedisPool);
        set("key5","value5",shardedJedisPool);
        
        // jedis隐藏了实现一致性哈希算法的细节，只是给我们提供了简单的接口调用，就可以实现redis分布式集群的搭建
        // 那么jedis到底是如何实现一致性哈希算法的呢？ 
    }

    public static void set(String key,String value,ShardedJedisPool pool){
    	// 从共享资源池中获取redis实例
        ShardedJedis shardedJedis = pool.getResource();
        // 赋值
        shardedJedis.set(key,value);
        pool.returnResource(shardedJedis);
    }
}

------------------------------------------------------

参考源码：

Jedis是通过ShardedJedis向redis集群写入的数据，ShardedJedis中的关键方法：

public Sharded(List shards, Hashing algo, Pattern tagPattern) {
    this.algo = algo;
    this.tagPattern = tagPattern;
    initialize(shards);
}

//初始化哈希环
private void initialize(List shards) {
    nodes = new TreeMap();

    for (int i = 0; i != shards.size(); ++i) {
        final S shardInfo = shards.get(i);
        if (shardInfo.getName() == null)
        for (int n = 0; n < 160 * shardInfo.getWeight(); n++) {
            nodes.put(this.algo.hash("SHARD-" + i + "-NODE-" + n),
                shardInfo);
        }
        else
        for (int n = 0; n < 160 * shardInfo.getWeight(); n++) {
            nodes.put(
                this.algo.hash(shardInfo.getName() + "*"
                    + shardInfo.getWeight() + n), shardInfo);
        }
        resources.put(shardInfo, shardInfo.createResource());
    }
}

//将key，value存储到相应的shard
 public String set(String key, String value) {
    Jedis j = getShard(key);
    return j.set(key, value);
 }

public R getShard(String key) {
    return resources.get(getShardInfo(key));
}

//根据key获取shard
public S getShardInfo(byte[] key) {
    SortedMap tail = nodes.tailMap(algo.hash(key));
    if (tail.isEmpty()) {
        return nodes.get(nodes.firstKey());
    }
    return tail.get(tail.firstKey());
}