一致性哈希，虚拟节点，布隆过滤器

 

假设上图A,B,C是三台服务器，现在有6万张图片，为了平均分配在每个服务器上，我们按以下方式存储：

提取图片关键字%服务器个数（3）

余数为0的存放在A服务器，余数为1的存放在B服务器，余数为2的放在C服务器

假设我们现在再添加一台服务器D，那么就会发生：

6%3=0,6%4=2，本来在A服务器的照片，变成了C服务器。

由于服务器发生了变化，导致服务器中的数据受到影响（全部数据）

于是我们将三台服务器想象成一个环状：

 这是一个圆形，我们认为这个圆上存在无数个点，现在假设这个圆上存在2^32个点，每一个点有一个编号，从0到2^32，弧AB上的存放在服务器B，弧BC上的存放在服务器C上，弧CA存放在服务器A上。这时图片的关键字对2^32取余，结果看到底存放在那一台服务器上。

这时如果在添加一台服务器D：

 这个时候会发现只有绿色弧上的数据受到影响，其他弧没有受到影响，相比于之前那个，影响较小，但现实中三台服务并不会平均在圆上的1/3点上，比如图下：

 这种情况称为哈希偏斜，因此我们引入虚拟节点概念：

 虚拟节点是不存在的点，臆想出来的点

布隆过滤器：

假设我们现在有一群非常多的整型值，不重复，现在我们需要确定一个数X在不在这群数据中？

之前讲的哈希是数据和存储位置有一个对应关系，这里的布隆过滤器实际上就是一个非常长的二进制矢量+一组哈希函数。

假设我们现在有三个不同的哈希函数A,B,C。

 这是20个二进制位，要么存1，要么存0，刚开始全部为0.

现在，我们将100,200,300通过三个哈希函数计算得到下列值（这里A,B,C三个哈希函数未给出，所以得到的值是我们假设的）

 那么我们将得到的值所在的二进制位全部变为1，得到以下结果：

 假设我们需要判断250在不在这个数组里面，我们只需要将250通过哈希函数去计算，得到下面结果（结果也是假设的）

 我们发现3和9的位置为1，但是19的位置为0，也就是说，如果250真的存在，那么250通过三个哈希函数计算得到的结果所在的位置应该全部为1，只要有一个为0，那么一定不存在。

要是250通过三个哈希函数计算得到下面结果：

250——>A——>6

250——>B——>9

250——>C——>15

我们发现6,9和15位置都为1，但是250并不存在我们的数组中，所以不能得到250一定存在这个数组中，但只要有一个位置为0，那么一定不存在。

现给出布隆过滤器以下总结：