一致性哈希的理解

参考：

https://blog.csdn.net/qq_34262582/article/details/80326189 

https://yikun.github.io/2016/06/09/%E4%B8%80%E8%87%B4%E6%80%A7%E5%93%88%E5%B8%8C%E7%AE%97%E6%B3%95%E7%9A%84%E7%90%86%E8%A7%A3%E4%B8%8E%E5%AE%9E%E8%B7%B5/

https://blog.csdn.net/moakun/article/details/79927907

https://juejin.im/post/5ae1476ef265da0b8d419ef2

https://blog.csdn.net/kefengwang/article/details/81628977

先说结论：

一致性哈希也是哈希算法的一种，只是为了解决普通哈希因为节点的变动导致数据迁移过大的问题。其核心思想是将地址空间看做一个环状结构，将节点进行哈希，使节点尽可能均匀的散落在环上。同时将数据进行哈希，也将数据均匀的散落在环上，最后，将数据全都放置在离数据顺时针方向(因为是混装结构，顺时针方向为递增方向)最近的节点上。此时如果一个节点需要删除，那么只会影响原来的放置在待删除节点的数据，此时这些数据仍然按照顺时针方向寻找下一个节点。如果增添节点，只会影响到环上新节点与新节点逆时针方向最近节点之间的数据。这种方式对比普通哈希，大大的缓解了因节点的变更导致的大范围数据迁移的问题。但是在使用一致哈希的过程中，节点的数量比较少时，会导致大量的数据堆积在某几个节点上的情况，即出现不均衡的情况，因此为了优化这种不均匀分布的问题，引入了虚拟节点的概念，将一个节点拆分成多个虚拟的节点，这多个虚拟的节点实际对应的还是一个节点。总之环中节点数量越多，越容易使数据分布均匀，同时还具有优良的伸缩性。

借用其他博客的例子：

首先可以回顾一下普通的哈希：

普通的hash是这样的，假设有3个节点，数据分别是1 2 3 4 5 6 7 8 9 10，那么用取模方法的话分布如下。

0：3 6 9

1：1 4 7 10

2：2 5 8

这种情况下如果增加一个节点的话则会变成。

0：4 8

1：1 5 9

2：2 6 10

3：3 7

移动的数据要很多，所以这里就要用上一致性hash。

对节点做hash计算，对值也做hash运算，最后把节点弄成环。把区间数值归右端点。给个其他博客的例子：

十条数据，算出各自的哈希值

0：192

1：196

2：200

3：204

4：208

5：212

6：216

7：220

8：224

9：228

有三个节点，算出各自的哈希值

node a: 203

node g: 209

node z: 228

 结果：

node a: 0,1,2

node g: 3,4

node z: 5,6,7,8,9

一致性哈希的示意图如下：

例如我们有Object A、Object B、Object C、Object D四个数据对象，经过哈希计算后，在环空间上的位置如下：

根据一致性Hash算法，数据A会被定为到Node A上，B被定为到Node B上，C被定为到Node C上，D被定为到Node D上。

删除节点的情况：

如果此时Node C出现问题需要删除，那么Object C将与Object D共同添加到Node D，环中其他数据所处的节点不会发生改变。

增加节点的情况：

环中新加入新的节点Node X，则此时Object C由原来应该处于Node C更改到新加入的节点Node 中，其他的数据所处的位置不发生改变。

数据不均匀现象：

如果节点数量过少，很有可能因为删除一个节点导致大量数据聚集在某些节点处的现象，如下图所示：

此时会导致大量的数据聚集在节点A处，数据严重不均匀。

因此为了应对这种现象，引入了虚拟节点的方法，

即对每一个服务节点计算多个哈希，每个计算结果位置都放置一个此服务节点，称为虚拟节点。具体做法可以在服务器IP或主机名的后面增加编号来实现。例如上面的情况，可以为每台服务器计算三个虚拟节点，于是可以分别计算 “Node A#1”、“Node A#2”、“Node A#3”、“Node B#1”、“Node B#2”、“Node B#3”的哈希值，于是形成六个虚拟节点：

Node A#1”、“Node A#2”、“Node A#3”三个虚拟节点其实是一个真正的节点，这三个虚拟节点上的的数据全都定位到Node A上，同理Node B#1”、“Node B#2”、“Node B#3”也是如此。