浅谈一致性哈希算法 consistent hashing

        接触过分布式的小伙伴一定对一致性哈希算法这个词语不陌生，那么到底什么是一致性哈希算法呢？

        了解一致性哈希算法之前我们先了解下哈希取模

        假设我们有三台服务器，缓存3万张图片。当然我们可以均匀的分配到每个服务器，即每个服务器1万张图片。但是如果这样操作，当我们访问缓存项时我们就要遍历三台服务器，这样也就失去了缓存的意义。那么我们该怎么解决这个问题呢？我们假设每张图片的名称不一致，将图片的名称当作这个图片的key，对缓存项的key进行哈希，将hash后的结果对缓存服务器的数量进行取模操作，通过取模后的结果，决定缓存项将会缓存在哪一台服务器上，由于我们只有3台服务器，所以我们对3取模余数分别是0,1,2，正好代表了我们的服务器的编号。如下图：

         

         但是通过上述方法存在一定的缺陷，假如有一台服务器宕机或者我们加入一台新的服务器后，取模的余数将发生变化，原来为3现在变成了2或者4，此时，如果仍然使用上述方法对同一张图片进行缓存，那么这张图片所在的服务器编号必定与原来3台服务器时所在的服务器编号不同，因为除数由3变为了4，被除数不变的情况下，余数肯定不同，这种情况带来的结果就是当服务器数量变动时，所有缓存的位置都要发生改变，换句话说，当服务器数量发生改变时，所有缓存在一定时间内是失效的。为了解决上述方法，一致性哈希算法诞生了。

        一致性哈希算法也是使用取模的方法，但是上述描述的取模法是对服务器的数量进行取模，而一致性哈希算法是对2^32取模。然后我们把2^32次方分别均匀分布在一个圆环上，12点位置为0，顺时针排布，0的右侧为1,0的左侧为2^32-1,

        

         我们对服务器的IP进行取模，那么结果就是0到2^32-1之间，所以我们对A,B,D服务器进行取模后，三台服务器将位于圆环上的对应位置。例如：

        

         然后对需要缓存的图片进行hash（图片名称）% 2^32,假设图片1,2,3,4

         然后沿顺时针方向遇到的第一个服务器，就是当前对象将要缓存于的服务器

        如果图片将被保存到B服务器，图片2将被保存到 D服务器，图片3和图片4将被缓存到A服务器。

        如上图假设我们的服务器B宕机，图片1将顺延到服务器D上，此时服务器B宕机对其他服务器并没有影响。

        但是我们假设如下情况：

        

        服务器ABD在hash环上分布比较集中，就会出现大量缓存数据分布在A上而B和D分布较少的情况产生。

        为了解决上述问题一致性哈希算法将创建多个虚拟节点分布在hash环上。

        

        这样数据就会相对均匀的分布到各个服务器上。 当然虚拟节点越多，分配也就越均匀。