DUBBO中的一致性哈希算法

哈希

保证哈希算法是同一个，因此同一个用户经过哈希算法后会映射到同一台服务器处理。但存在的问题是：扩容或者缩容时，会导致大量的数据迁移。
问题原因也很好理解，因为扩容或者缩容时，如果哈希算法是单纯对服务器数量进行取模，那么就会导致哈希值改变，映射到不同服务器。

一致性哈希

一致性 hash 算法由麻省理工学院的 Karger 及其合作者于1997年提出的，原理是找比哈希值大的最近的节点。首先把服务器映射到一个[0,2^32-1]的圆环上，每个服务器都有对应的哈希值，当有请求来时，求出请求的哈希值，能够对应环上的一个点，那么选取比这个点更大的服务器。特殊的，如果哈希值更大的第一个服务器挂掉了，则请求下一个结点。在一致性哈希算法中，不论是扩容还是缩容，受影响的区间仅仅是增加或减少服务器的部分哈希环空间。但是一致性哈希也存在一些问题，当结点较少时，可能出现某个服务器承担大部分请求，这种情况叫数据倾斜。

要解决数据倾斜，可以加入虚拟结点，如图根据四台服务器映射出虚拟结点。

DUBBO中的一致性哈希算法

在DUBBO中，每个服务提供者成为Invoker，并且引入虚拟结点。
TreeMap是红黑树，可以实现哈希环。tailMAP(k)，返回大于k的SortedMap，firstKey
首先来看doSlect方法，主要做一些前置工作，检查invokers列表是否扩容或者缩容，如果不存在对应选择器则初始化选择器，接下来调用select方法。

@SuppressWarnings("unchecked")
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
    String methodName = RpcUtils.getMethodName(invocation);
    String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName;
    // using the hashcode of list to compute the hash only pay attention to the elements in the list
    int invokersHashCode = invokers.hashCode();
    ConsistentHashSelector<T> selector = (ConsistentHashSelector<T>) selectors.get(key);
    if (selector == null || selector.identityHashCode != invokersHashCode) {
        selectors.put(key, new ConsistentHashSelector<T>(invokers, methodName, invokersHashCode));
        selector = (ConsistentHashSelector<T>) selectors.get(key);
    }
    return selector.select(invocation);
}

再来看如何初始化ConsistentHashSelector，replecatNumer是虚拟节点数，默认是160个，digest是长度16的字节数组，一个数组进行4次Hash运算，分别对0—3,4—7,8—11,12—15进行位运算。

private static final class ConsistentHashSelector<T> {

    private final TreeMap<Long, Invoker<T>> virtualInvokers;

    private final int replicaNumber;

    private final int identityHashCode;

    private final int[] argumentIndex;

    ConsistentHashSelector(List<Invoker<T>> invokers, String methodName, int identityHashCode) {
        this.virtualInvokers = new TreeMap<Long, Invoker<T>>();
        this.identityHashCode = identityHashCode;
        URL url = invokers.get(0).getUrl();
        this.replicaNumber = url.getMethodParameter(methodName, HASH_NODES, 160);
        String[] index = COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, HASH_ARGUMENTS, "0"));
        argumentIndex = new int[index.length];
        for (int i = 0; i < index.length; i++) {
            argumentIndex[i] = Integer.parseInt(index[i]);
        }
        for (Invoker<T> invoker : invokers) {
            String address = invoker.getUrl().getAddress();
            for (int i = 0; i < replicaNumber / 4; i++) {
                byte[] digest = Bytes.getMD5(address + i);
                for (int h = 0; h < 4; h++) {
                    long m = hash(digest, h);
                    virtualInvokers.put(m, invoker);
                }
            }
        }
}

最后看看select方法，对参数进行md5计算和hash计算，获得这个哈希值后，选择大于等于这个哈希值的服务器，如果没有，则选择第一个服务器。

public Invoker<T> select(Invocation invocation) {
    String key = toKey(invocation.getArguments());
    byte[] digest = Bytes.getMD5(key);
    return selectForKey(hash(digest, 0));
}
private Invoker<T> selectForKey(long hash) {
    Map.Entry<Long, Invoker<T>> entry = virtualInvokers.ceilingEntry(hash);
    if (entry == null) {
        entry = virtualInvokers.firstEntry();
    }
    return entry.getValue();
}