一致性hash算法和hash算法的区别和使用场景

1、hash算法使用场景

一般情况下hash算法主要用于：负载均衡（nginx 请求转发，scg路由等），分布式缓存分区，数据库分库分表（mycat，shardingSphere）等。

2、hash算法大致实现

变量%固定值

目的是将目标值锁定在固定值内

3、普通hash算法遇到的问题

普通hash算法计算会依赖于这个固定值

1、固定请求映射到固定服务器处理，可能导致某一时间段这个服务器很忙，其他服务器很闲，整体利用率低

2、如果固定值改变，之前的hash映射都将重新计算调整，这将会导致 动态扩缩容请求大量迁移，原本请求需要的数据无法使用（例如本地缓存，session）

4、一致性hash算法原理

一致性哈希算法就很好地解决了分布式系统在扩容或者缩容时，发生过多的数据迁移的问题。

一致哈希算法也用了取模运算，但与哈希算法不同的是，哈希算法是对节点的数量进行取模运算，而一致哈希算法是对 2^32 进行取模运算，是一个固定的值。

原理如下：

1、假如存在3个节点，通过hash算法，将值定在hash环内
2、当请求过来，通过计算目的请求的hash值，将值定在hash环内
3、将请求 顺时针转发到目标节点
4、当某个节点失效时，会将请求自动转发到下一目标节点，请求迁移量小，节点影响小，增加节点同理

5、一致性hash算法存在的问题

1、缓存命中率降低及单一热点问题
一致性哈希解决的是某节点宕机后缓存失效的问题，只会导致相邻节点负载增加。但是因为宕机后需要重新从数据库读取，会导致此时缓存命中率下降及db压力增加。

也无法避免单一热点问题。某一数据被海量请求，不论怎么哈希，哈希环多大，数据只存在一个节点，早晚有被打垮的时候。

此时的解决策略是每个节点主备或主主集群。

2、请求数据倾斜
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：

此时必然造成大量数据集中到Node A上，而只有极少量会定位到Node B上。

解决方案

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

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：

这样请求就会被负载均衡掉！

6、总结

一致性hash主要解决的还是 动态阔缩容下，请求大量迁移，数据读取或存储对目标节点影响降到最低。