一致性hash算法

1.为什么需要一致性hash算法？

如下场景：redis集群按槽分配数据（类似于数据库的分库分表）

打进redis的数据可能分配到任何一个redis的节点上，如果没有一个固定的策略，那么需要遍历这个redis集群才能命中想要的数据-------->所以需要有一个策略来避免（分库分表规则：按照Hash值、取模、按照类别、按照某一个字段值等规则），这里按照hash来说明。

 

按照hash：一个资源通过hash算法可以路由到某个节点，如果hash(资源1) % 4 = 2，那么查询资源1的时候可以直接根据该hash算法去找第二个节点------->大大提高搜索效率

 

问题：当增加节点/节点宕机的时候------hash算法 hash(资源1) % 4 = 2 不能正确路由------->造成缓存雪崩/无法命中数据

由于存在该问题，所以需要一致性hash算法

 

2.一致性hash算法是什么？

上述的描述的取模法是对服务器的数量进行取模

一致性Hash算法本质：也是使用取模的方法，对2^32取模

一致性Hash算法将整个哈希值空间组织成一个虚拟的圆环，如假设某哈希函数H的值空间为0-2^32-1（即哈希值是一个32位无符号整形）

哈希环：

整个空间按顺时针方向组织，圆环的正上方的点代表0，0点右侧的第一个点代表1，以此类推，2、3、4、5、6……直到2^32-1，也就是说0点左侧的第一个点代表2^32-1， 0和2^32-1在零点中方向重合，我们把这个由2^32个点组成的圆环称为Hash环。

 

下一步将各个服务器使用Hash进行一个哈希，具体可以选择服务器的IP或主机名作为关键字进行哈希，这样每台机器就能确定其在哈希环上的位置，这里假设将上文中四台服务器使用IP地址哈希后在环空间的位置如下：

 

接下来使用如下算法定位数据访问到相应服务器：将数据key使用相同的函数Hash计算出哈希值，并确定此数据在环上的位置，从此位置沿环顺时针“行走”，第一台遇到的服务器就是其应该定位到的服务器！

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。

 

3.一致性Hash算法的容错性和可扩展性

假设Node C不幸宕机（节点宕机场景），可以看到此时对象A、B、D不会受到影响，只有C对象被重定位到Node D。一般的，在一致性Hash算法中，如果一台服务器不可用，则受影响的数据仅仅是此服务器到其环空间中前一台服务器（即沿着逆时针方向行走遇到的第一台服务器）之间数据，其它不会受到影响，如下所示：

 

 

在系统中增加一台服务器Node X（节点增加场景）：

此时对象Object A、B、D不受影响，只有对象C需要重定位到新的Node X ！

在一致性Hash算法中，如果增加一台服务器，则受影响的数据仅仅是新服务器到其环空间中前一台服务器（即沿着逆时针方向行走遇到的第一台服务器）之间数据，其它数据也不会受到影响。

综上所述，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，具有较好的容错性和可扩展性。

 

 

4.Hash环的数据倾斜问题/解决方案

一致性Hash算法在服务节点太少时，容易因为节点分部不均匀而造成数据倾斜（被缓存的对象大部分集中缓存在某一台服务器上）问题，例如系统中只有两台服务器，其环分布如下：

此时大量数据集中到Node A上，而只有极少量会定位到Node B上。

为了解决这种数据倾斜问题，一致性Hash算法引入了虚拟节点机制，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：

同时数据定位算法不变，只是多了一步虚拟节点到实际节点的映射；

例如定位到“Node A#1”、“Node A#2”、“Node A#3”三个虚拟节点的数据均定位到Node A上。这样就解决了服务节点少时数据倾斜的问题。在实际应用中，通常将虚拟节点数设置为32甚至更大，因此即使很少的服务节点也能做到相对均匀的数据分布。

 

参考：https://zhuanlan.zhihu.com/p/34985026