一致性哈希

本文章只是浅聊一下一致性哈希算法
首先我们先来看一个分布式缓存的应用场景，了解了这个应用场景，我们就能知道为什么需要用到一致性哈希算法了

假如有3台缓存服务器，并且有3w张图片，并且这3w张图片均匀的缓存在这3台服务器上，这样就能分摊缓存的压力。

此时我们可以思考一下如何做？了解过hash算法的朋友肯定立马会想到许多方法。在这里我说一下我的方法：简单的做法就是对这些图片通过某些hash算法得到hash值，这个hash值一定是一个整数，再用缓存服务器的数量对这个整数进行取模，最终得到的余数就是要缓存到哪台服务器上，这种方式一定能缓存到服务器上，不可能落空

因为对同一张图片进行相同的哈希计算时，得到的哈希值是不变的，所以需要访问图片时，只要再次对图片进行哈希计算+取模，就能知道图片存放在哪台服务器上，通过这种方法，就能将3w张图片均匀的缓存在3台服务器上。

虽然这种方法看似完美，但实则不然。
假如现在要在缓存服务器中增加一台缓冲服务器，原来的3台服务器就变为了4台。此时需要访问图片5，先对其进行哈希计算，再取模，得到余数，但是此时的余数是1，表明这个该图片在第1台缓冲服务器上，但实际这张图片在第2台缓存服务器上。这就造成了缓存不命中(缓存失效)，不仅是图片5，只要是图片标号大于4的都无法命中，此时就只能访问后台服务器，请求数据。由于大量缓存在同一时间失效，造成缓存奔溃，缓存服务器就无法起到承担缓存压力的作用，压力就转移到后台服务器，就很有可能造成系统的崩溃。

为了避免这种问题，就需要使用到一致性哈希算法
现在有一个圆环，圆环上均匀分布着2^32个点，这个圆环也被称为哈希环。现在还是有3台服务器，服务器的编号分别为A、B、C。使用它们的编号，分别进行哈希计算，将哈希的结果用 2^32次方进行取模，算出的结果一定是在[0, 2^32]之间的整数，哈希环上必定有一个点与之对应，所以就将该缓存服务器映射到这个哈希环上

现在有一张图片a.png，通过哈希计算，在用2^32次方取模，映射到哈希环上

此时a.png和服务器都被映射到哈希环上，此时就该确定a.png应该缓存到哪台缓存服务器上？其实很简单，只用从图片的位置开始，沿着顺时针方向进行查找，遇到的一台缓冲服务器就是a.png应该缓存的服务器。

根据这样的查找方式，a.png缓存到A上，b.png缓存到B上，c.png缓存到C上。因为被缓存的对象，通过相同哈希计算，值是不变的，在服务器不变的情况下，再次计算就可知道这张图片被缓存到哪台服务器上，只需要在对应的服务器上查找就行。这就是一致性哈希的原理。

再来看一看，一致性哈希能不能解决之前的问题。
假设新增缓存服务器D，按照一次性哈希算法的规则，先将D映射到哈希环上

从上面这张图可以看出，在增加服务器之前，访问A到B之间的图片，都应该到服务器B中找。但增加服务器D后，A到D之间的图片就应该到服务器D中找，其他的图片还是能正常找到本应该缓存的服务。总的来说，增加服务器，只有少部分缓存失效，大部分还是正常的。

总结一下使用一致性哈希算法的优点：
如果缓存服务器的数量发生改变，并不是所有的缓冲都会失效，而是只有部分缓冲失效，缓冲服务器依旧能缓解整个系统的大部分压力，而不会导致压力在同一时间集中到后台服务器上。

但是一致性哈希算法还有一个缺陷，就是哈希偏斜(数据倾斜)
在介绍一致性哈希算法的原理时，我们理想化的认为3台缓存服务是均匀的映射到哈希环上，但在实际情况中，可能会存在下图所示情况：

我们将这种情况称为哈希环的偏斜。在这种情况下，大部分的缓存对象很可能缓存到一台缓冲服务器上，导致缓存极度不均匀，3台缓存服务器没有被平均的使用，如果缓存数据较多的缓存服务器出现故障，压力全转移到了后台服务器，很有可能导致系统崩溃。

如何解决这个问题呢？
首先，我们需要明白，出现哈希偏斜的主要原因是服务器没有均匀映射到哈希环上。
其次就是，服务器数量不够多。

解决的方法就是增加一层虚拟结点。虽然服务器的数量有限，但是可以根据真实的服务器来映射许多虚拟的结点，再将这些结点映射到哈希环上。

虚拟结点越多，哈希环上的服务器结点就越多，缓存被均匀分布的概率也就越大，这样就能一定程度减小哈希偏斜所带来的影响。
具体的，在进行缓存读写时，先找到缓存对应的虚拟结点，再找到真实结点，最后才进行缓存读写。

一致性哈希具有容错性
假设NodeC宕机，可以看到此时对象A、B、D不会受到影响。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(即沿着道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。 简单说，就是C挂了， 受到影响的只是B、C之间的数据且这些数据会转移到D进行存储。

一致性哈希具有扩展性
数据量增加了，需要增加一台节点NodeX，X的位置在A和B之间，那收到影响的也就是A到X之间的数据，重新把A到X的数据录入到X上即可，不会导致hash取余全部数据重新洗牌。