一致性哈希和分布式哈希表
一致性哈希（consistent hashing）和分布式哈希表（DHT: Distributed Hash Table）在最近的学习中经常用到，但是两个概念经常纠缠在一起，不容易分清楚。有时候就不明白这里为什么说的是consistent hashing，而不是用DHT。
从字面的意思来区分：consistent hashing 是一种满足特殊需求的哈希；DHT 是通过哈希实现的分布式的表，归根到底是一个分布式系统。consistent hashing 是理论上节点变化最少数据迁移的哈希方法，而DHT 在实现上更加具体，DHT 把传统的单个K-V 表在分布式多个节点中进行划分，既可以采用consistent hashing 实现，也可以采用其他哈希方法。
一致性哈希 consistent hashing
DHT的一种实现。本质还是一个哈希算法。回想平时我们做负载均衡，按querystring签名对后端节点取模是最简单也是最常用的算法，但节点的增删所造成的问题显而易见：原有的请求几乎都落不到同一台机器上。优化一点的是carp算法，只让1/n的数据受到影响。
一致性哈希，似乎最早提出是在分布式缓存里面的，让节点震荡的时候，影响最小。不过现在已经应用在分布式存储和p2p系统里面。
在传统的哈希表中，当划分哈希区域的分组数量发生变化时，几乎所有的keys 都需要重新排列到不同的分组。但如果使用一致性哈希，平均只需要k/n 个keys 重排，k 是keys 的个数，n 是分组的个数。基于这点性质，可以在DHT 中使用consistent hashing 。
hash(o) mod n 是传统的哈希用于确定对象分组位置方法，o 是对象，n 是分组个数，对应分布式系统节点个数，计算的结果即是存储该对象的节点编号。当节点个数n 发生变化时，而对象的哈希结果不变，这样几乎所有的对象位置都需要重排，造成分布式系统网络流量的严重颠簸（churn）。而一致性哈希很好的解决了这个问题。
consistent hashing 使用一个固定的模数R 对对象的哈希结果取模hash(o) mod R。R 可以表示哈希结果的范围，也可以表示对应哈希环（Ring）的范围，在chord 中 。并使用同样哈希函数和模数R 对所有的节点进行同样的计算hash(node.id) mod R。这样就把节点和对象都哈希到同一个大小为R 的环（Ring）上了。每个节点管理、存储它和它环上前驱节点之间范围的对象，当有新的节点加入或者退出时，遵循同样规则。这样的好处是剥离了对象分布和节点的关系，节点个数发生变化时对象在环上的分布不发生变化，最大限度减少了对象在节点上的迁移。
下面图示了consistent hashing 节点加入、退出过程（图片来源）：
在只有两个节点node 1 和node 2 ，哈希结果为Key1 和key2 ，每个节点存储前驱节点（如key2>key1）和自己之间范围的对象（values）。在节点个数比较少的时候就可能存在负载不均衡的情况，这个可用通过引入虚拟节点来解决。
添加一个节点node3 （key3）的情形。根据每个节点管理、存储它和它环上前驱节点之间范围的对象的原则，node3（key3）分担了key2 的空间。
删除一个节点node1（key1）的情形。key1 的空间被node3（key3）接管了。
引入虚拟节点后的结果。为了避免因为节点空间不均衡导致负载不平衡，每个节点引入等量的虚拟节点分布在环上，虚拟节点使用同样的方法划分空间。采用v1_key1=hash(node1.id.v1) ……vn_key1=hash(node1.id.vn) 的方法可以得到节点node1 的n 个虚拟节点vi_key1。
consistent hashing 具有以下性质：
- Spread: 发散性指的是对象分发到各个节点上，每个节点只需要存储所有对象的一部分
- Load: 负载指的是任何一个节点都不会保存过多的对象数据
- Smothness: 平滑性指的是节点改变带来的对象迁移是平缓的。不会因为节点的加入、退出导致大量数据迁移
- Balance: 平衡性指的是每个对象随机分配到节点
- Monotonic: 单调性指的是当一个节点加入时，只有分配到该节点的对象发生了重排
分布式哈希表 Distributed Hash Table
DHT只是一个概念，提出了这样一种网络模型。并且说明它是对分布式存储很有好处的。但具体怎么实现，并不是DHT的范畴。
分布式哈希表DHT 是一种去中心化的分布式系统，提供一种类似于哈希表的查询功能。
DHT 的研究最初是因为P2P 系统的兴起，如Napster，Gnutella 和Freenet。
Napster 是最早的P2P 服务的代表作，有一个中心index server 保存资源的index（key），当有节点加入、退出和查询时，与index server 进行交互，获取资源信息，存在单点故障，在遇到法律纠纷时，这个index server 很容就被关闭了。
Gnutella 去中心化得松散布局，当节点发起查询时，通过洪泛（flooding）的方式查询：每个收到查询命令的节点向其所有其他邻居节点发送类似请求。并通过TTL 控制洪泛的区域。
Freenet 首先采用了DHT，每个对象（文件）都关联一个key，具有相似的key 的文件保存在相似的节点上，并通过一个基于key 的启发式的路由进行查询。
DHT 可以认为是由keyspace（key 空间）、keyspace partition（key 空间划分）、overlay network（覆盖网）组成。keyspace 很好理解，是所有定长字符串的空间。keyspace partition 方案将keyspace 上不同区域划分到不同的参与节点上。overlay network（覆盖网）将节点连接起来，使得网络中节点通过这个网络可以找到保存指定key 的节点。consistent hashing 对比DHT 更多的是提供了一种keyspace 的划分方法，各种consistent hashing 的也用在了DHT 中进行空间划分。为了更好的理解overlay network 的组成，有这么一段话：
Each node maintains a set of links to other nodes, these links forms the overlay network.
【译】每个节点维持到其他节点的链接，这些链接形成了覆盖网。
可以看出overlay network 已经从物理层的网络抽象成逻辑层上链接各个节点、各个节点保存的路由信息以及路由协议的集合。在overlay network 有两个重要参数：邻居节点数/度数（Degree）和跳数/路由长度（Route length）。度数衡量每个节点保存邻居节点信息的多少，度数越大每个节点邻居越多，保存和维持的信息就更多，需要的路由长度就越短。跳数指的是从该节点到保存特定key 的对象的节点的平均路由长度。他们的关系有下表：
| 度数 |
路由长度 |
备注 |
| O(1) | O(n) | |
| O(log n) | O(log n/log(log n)) | |
| O(log n) | O(log n) | 最常见（比如 chord），但不是最优的解 |
| O(1) | O(log n) | |
| O() | O(1) |
DHT 具有三点性质：
- Decentralization: 去中心化，节点之间相互配合形成整个系统，而不需要一种中心节点协调
- Fault tolerance: 容错，即使不断有节点加入、退出或者失效，也要能够保证系统稳定
- Scalability: 扩展性，系统在成千上万个节点时也能够有效地运行
Chord算法：
一致性哈希有多种实现算法，最关键的问题在于如何定义数据分割策略和节点快速查询。
chord算是最为经典的实现。cassandra中的DHT，基本是chord的简化版。
网络中每个节点分配一个唯一id，可以通过机器的mac地址做sha1，是网络发现的基础。
假设整个网络有N 个节点，并且网络是呈环状。两个节点间的距离定义为每个节点会存储一张路由表(finger表)，表内顺时针按照离本节点2、4、8、16、32.……2i的距离选定log2N个其他节点的ip信息来记录。
存储方面：数据被按一定规则切割，每一份数据也有一个独立id(查询key)，并且和节点id的值域是一样的。然后查找节点，如果存在和数据id一样的节点id，则将这份数据存在该节点上；如果不存在，则存储到离该数据id距离最近的节点上。同时，为了保证数据的可靠性，会顺时针往下找K个冗余节点，存储这份数据。一般认为K=3是必须的。
查询方面：先从自己的路由表中，找一个和数据id距离最近、并且存活在网络中的节点next。如果该节点的id巧合和数据id相等，那么恭喜你。如果不相等，则到next进行递归查找。一般或需要经过多次查询才能找到数据所在的节点，而这个次数是可以被证明小于等于log2N的。
在这个查询的过程中就体现了路由表的选取优势了，其实是实现了一个二分查找，从每个节点来观察网络，都是将网络分成了log2N块，最大一块里面有N/2个节点。路由表里面其实是记录了每一块的第一个节点。这样每一次查询，最少排除了一半的节点。保证在log2N次内找到目标节点。
新增一个节点i，需要预先知道网络中已经存活的一个节点j，然后通过和节点j交互，更新自己和其他节点的路由表。并且，需要将离自己距离最近的节点中的数据copy过来，以提供数据服务。
损失一个节点，路由算法会自动跳过这个节点，并且依靠数据的冗余来持续提供服务。
KAD算法(Kademlia)
个人觉得，kad算法其实是在chord上做的优化。主要是两个点：
1、用二进制(32/64/128)表示一个节点的id，两节点的id异或运算得到节点间的距离。
2、 每个节点保持的路由信息更丰富，同样是将整个网络按照划分成log2N份，在chord中，是保持log2N个路由节点，但在kad里面，是保存了 log2N个队列。每个队列长度为配置值K，记录网络中对应节点区域的多个节点，并且根据活跃时间对这些节点进行换入换出。
第一点是方便进行网络划分，节点按照二进制中每一bit的0或1建成一棵二叉树。
第二点是使得节点查询更迅速。从分割情况我们就可以得知，最坏情况不会差于chord，但保存更多的节点使得命中概率更高。另外队列中根据活跃时间进行换入换出，更有利于在p2p这种节点变更频繁的网络中快速找到有效的节点。
关于kad的介绍，这篇文章讲的比较详细wenku.baidu.com/view/ee91580216fc700abb68fcae.html