数据库总结：分区

分区

分区通常与复制结合使用，即每个分区在多个节点都存在副本。

要解决的问题：将数据和查询负载均匀分布在所有节点

关键字：会导致热点问题；
时间戳：会导致某时间段负载过高问题；

如何分区

一般基于 K-V数据模型尝尝基于哈希算法（redis）；
二级索引分区，适用于关系型数据库、文档型数据库（MongoDB）；

关于对关键字（热点）数据存储导致的负载倾斜的问题

举例：对名人热点等关键字访问，会出现同时对相同关键字的操作。
一般解决方案是在应用层减轻倾斜程度，如对关键字加一个随机数，使其分布到100个不同的分区上，但随之而来的是之后的读取都需要此额外工作，因此只对少量热点关键字加随机数才有意义，因此还需额外标记哪些元数据进行了处理。
哈希函数：好的哈希函数可处理数据倾斜并使其均匀分布。 如取时间戳的MD5哈希值得头2个字节，缺点是哈希丧失区间查询特性。

关于哈希算法和一致性哈希算法使用场景的问题

哈希算法：也就是取模算法（对机器数量取模），如一个集群有3台实例，能快速定位某个key存在那个实例上，缺陷是，当扩容时，需要将历史数据重新哈希，此间隔中缓存失效，会导致穿透雪崩。
一致性哈希算法（也是取模，但是对2^32取模）：一致性Hash算法对于节点的增减都只需重定位环空间中的一小部分数据，不至于将所有压力都在同一时间集中到后端服务器上，具有较好的容错性和可扩展性。