数据结构和算法之美 —— 哈希算法

数据结构和算法之美 - 21

数据结构和算法之美 - 22 （哈希算法的三种应用：负载均衡、数据分片、分布式存储）

哈希算法的定义：将任意长度的二进制值串映射为固定长度的二进制值串，这个映射的规则就是哈希算法，而通过原始数据映射之后得到的二进制值串就是哈希值。

常用哈希算法：比如 MD5、SHA 等

哈希算法几点要求：

• 从哈希值不能反向推导出原始数据（所以哈希算法也叫单向哈希算法）；
• 对输入数据非常敏感，哪怕原始数据只修改了一个 Bit，最后得到的哈希值也大不相同；
• 散列冲突的概率要很小，对于不同的原始数据，哈希值相同的概率非常小；
• 哈希算法的执行效率要尽量高效，针对较长的文本，也能快速地计算出哈希值。

常见的哈希算法的应用：

1. 安全加密、（依赖特性：不能反向推到，冲突概率小）
2. 唯一标识、（对大数据做信息摘要，通过一个较短的二进制编码来表示很大的数据。）
3. 数据校验、（依赖特性：对于输入数据非常敏感）
4. 散列函数、
5. 负载均衡、
6. 数据分片、
7. 分布式存储

数据校验的场景：哈希算法有一个特点，对数据很敏感。只要文件块的内容有一丁点儿的改变，最后计算出的哈希值就会完全不同。所以，当文件块下载完成之后，我们可以通过相同的哈希算法，对下载好的文件块逐一求哈希值，然后跟种子文件中保存的哈希值比对。如果不同，说明这个文件块不完整或者被篡改了，需要再重新从其他宿主机器上下载这个文件块。

负载均衡的场景：同一个客户端上，在一次会话中的所有请求都路由到同一个服务器上。通过哈希算法，对客户端 IP 地址或者会话 ID 计算哈希值，将取得的哈希值与服务器列表的大小进行取模运算，最终得到的值就是应该被路由到的服务器编号。优点：无需消耗内存维护客户端和服务器对应的映射表，取模的运算可以很好地兼容服务器扩容和缩容。

数据分片的场景：统计大数据量搜索关键词的次数，同一个搜索关键词会被分配到同一个机器上。每个机器会分别计算关键词出现的次数，最后合并起来就是最终的结果。

分布式存储的场景：海量的数据存储在多台机器上。通过哈希算法对数据取哈希值，然后对机器个数取模，这个最终值就是应该存储的缓存机器编号。缺点：机器进行扩容，前面的取模运算就需要重新计算，因此所有的数据都要重新计算哈希值，然后重新搬移到正确的机器上。这样就相当于，缓存中的数据一下子就都失效了，可能造成 雪崩效应，压垮数据库。爲了解決这个对于扩容造成问题，提出了 一致性哈希算法 ： 假设我们有 k 个机器，数据的哈希值的范围是[0, MAX]。我们将整个范围划分成 m 个小区间（m 远大于 k），每个机器负责 m/k 个小区间。当有新机器加入的时候，就将某几个小区间的数据，从原来的机器中搬移到新的机器中。这样，既不用全部重新哈希、搬移数据，也保持了各个机器上数据数量的均衡。