数据结构与算法笔记：基础篇 - 哈希算法（下）：哈希算法在分布式系统中有哪些应用？

概述

上篇文章，讲解了哈希算法的四个应用，它们分别是：安全加密、数据校验、唯一标识、散列函数。本章，再来看剩余的三种应用：负载均衡、数据分片、分布式存储。

---

应用五：负载均衡

我们知道负载均衡算法有很多，比如沦陷、随机、加权轮询等。那如何才能实现一个回话沾滞（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。

最直接的反复啊就是，维护一张映射关系，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有的服务器编号，然后再请求编号对应地服务器。这种方法简单直观，但也有几个弊端：

• 如果客户端很多，映射表可能会非常大，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，这样维护映射表的成本就会很大；

如果借助哈希算法，这些问题都可以非常完美的解决。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 过来的所有请求，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的分片。这里有两个例子。

1. 如何统计 “搜索关键词” 出现的次数

假设我们有 1T 的日志文件，这里记录了用户的搜索关键词，我们想要快速统计出每个关键词被搜索的次数，该怎么做呢？

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具体的数据，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，然后采用多台机器处理的方法，来提高处理速度。具体的思路是这样的：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志文件中，依次读取每个搜索关键词，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会被分配到同一个机器上。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。

实际上，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

如何快速判断图片是否在图库中？上篇文章已经讲过这个例子。当时我介绍了一种方法，就是为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。因为单台计算机的内存有限，而一亿张图片构建散列表显然远远超出了单台机器的内存上线。

同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应地散列表。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，得到的值就对应要分配的机器编号，然后将这个图片的唯一标识和图片路径发往对应地机构构建散列表。

当我们要判断一个图片是否在图库中的时候，我们通过同样的哈希算法，计算这个图片的唯一标识，然后与机器个数 n 求余取模。假设得到的值是 k，那就去编号为 k 的机器构建的散列表中查找。

现在，我们来估算一下，给这一亿张图片构建散列表大约需要多少台湖区，

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。如果我们用链表法来解决冲突，那还需要存储指针，指针只占 8 字节。所以，散列表中的每个数据单元就占用 512 字节（这里知识估算，并不准确）。

假设一台机器内存大小为 2GB，散列表的转载因子为 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 一张图片构建索引，需要大约十几台机器。在工程中，这种估算是很重要的，能让我们实现对需要投入的资源、资金有个大概的了解，能更好的评估解决方案的可行性。

实际上，针对这种海量数据的处理问题，我们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。我们为了提高数据的读取、写入能力，一般都采用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，我们就需要将数据分布在多台机器上。

该如何决定将哪个数据放到哪个机器上呢？我们可以借助前面数据分片的思路，即通过哈希算法对数据提取哈希值，然后多机器个数取模，这个最终值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 台机器已经无法承受了，我们就需要扩容，比如扩到 11 个机器，这时候麻烦就来了。因为，这里并不是简单地加个机器就可以了。

原来的数据时通过 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后，我们对数据按照 11 取模，原来 13 这个数据就被分配 2 这台机器上了。

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。这就相当于，缓存中的数据一下子就失效了。所有的数据请求都会穿透缓存，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，使得在新加入一个机器后，并不需要做大量的数据搬移。这时候，一致性哈希算法就要登场了。

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 远大于 k），每个机器复杂 m/k 个小区间。当有新机器加入时，我们就将某几个小区间的数据，从原来的机器中搬移到新的机器中。这样，既不用全部重新哈希、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想就是这么简单。此外，它还会借助一个虚拟的环和虚拟结点，更加优美地实现出来。

除了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。

小结

本章讲解了三种哈希算法在分布式系统中的应用，它们分别是：负载均衡、数据分片、分布式存储。

• 在负载均衡应用中，利用哈希算法替代映射，可以实现一个会话沾滞的负载均衡策略。
• 在数据分片应用中，通过哈希算法对处理的海量数据进行分片，多机分布式处理，可以突破单机资源的限制。
• 在分布式存储应用中，利用一致性哈希算法，可以解决缓存等分布式系统的扩容、缩容导致数据大量搬移的难题。