一致性 hash 算法 - 虚拟节点 2020/5/12 14:06

---

layout: post
title: “一致性 hash 算法 - 虚拟节点”
date: 2020-05-12 3:44:09 +0800
categories: hash 一致性哈希 算法 分布式

---

一致性哈希

简单哈希 hash(object)%N 是最常用的算法，这种均衡性可能还行，但是稳定性比较差，不适用于分布式系统，因为分布式系统节点的增删是常见的需求，用这种简单的哈希算法来分布，在 N 变化的时候，会导致乾坤大挪移般的分布变化。

哈希算法本质是对一个固定输入产生固定输出的算法，最本质的可以先从两个方面衡量哈希算法的适用性：

• 平衡性：指哈希的结果能够尽可能分布到所有的节点的值域中，这样所有节点的值域都能得到利用（旁白：说白了，就是均衡喽，9个 key ，3个节点，最理想的就是每个节点处理3个）
• 单调性：指如果已经有一些内容通过哈希计算，分布到对应的节点中，当有新的节点加入系统时候，那么哈希的结果应能够保证原有已经分布的内容可以被映射到新的节点中去（或者在原地），而不会被映射到旧的节点；
  • 这个是一个非常重要的考量，单机的简单哈希算法之所以不适用于分布式系统，就是因为这个单调性无法满足；

重点：单调性阐述的内容怎么理解呢？

增删节点都会导致新值域的产生，单调性说的就是：新值域要能从原有分布 key 里面分摊压力，原有值域却要尽量不落到原有已经分布的 key。

举个例子，假设有 key 集合：[ k1, k2, k3, k4, k5, k6, k7, k8, k9 ] ，有三个节点 [ A, B, C ] 。哈希分布之后 A [k1, k5, k8] ，B [ k2, k6, k9 ] ， C [ k3, k4, k7 ]。

场景 ：现在增加一个节点 D

• 单调性好的例子： 增加节点后，导致分布变成： A [ k5, k8] ，B [ k2, k6, k9 ] ， C [ k3, k4 ] ，D [ k1, k7 ]。
  • 我们看到 D 作为新加进来的节点，只是从 A，C 里面匀了一些 key 过来，原来 A，B，C 的内容全都不变，这就是一个单调性比较好的例子
• 单调性差的例子&#