一致性hash的奥妙

前言

---

前几天关注蚂蚁金服sofa博客，偶然看到一篇在讲解sofaRegistry的文章，里头提到slotTable以及一致性hash算法。其实之前面试八股文也是经常会出现它的身影，今天我们深入看看它长什么样子

• SOFARegistry 源码｜数据分片之核心-路由表 SlotTable 剖析

背景

---

在很多开源中间件中都会用到这种设计，比如redis slot槽，会将数据拆分然后分布到不同槽，这样提高了数据的横向扩展能力。SofaRegistry在储存数据的时候，也采用了这种设计，这样可以采用集群的方式来部署中间件，数据通过一定规则散落在各个节点，整体扩展性上来了。

数据扩展性

---

一般分为横向扩展、纵向扩展，纵向就是加配置,比如买辆汽车，开个天窗，配置个高档音响，配置拉满，同样服务器还有数据库也能将配置拉满。横向扩展加上一辆车不够，两辆，加到满足需求为止

横向扩展，如果说我们把数据都放在一张表，那么它的横向扩展肯定是不行的，这时我们想到分库分表，sharingjdbc，其实就是把某个字段进行一定的算法计算之后，决定它命中哪张表，哪个库，这样通过数据拆分，我们可以通过增加表的数量，数据库的数量来提高数据的存储量。

通过特定key，然后一定的算法计算，整除节点次数，这样数据就分配到这些节点

整除算法缺陷

---

虽然整除算法可以实现数据拆分效果，但是对于节点增加、减少的情况，会导致所有数据得重新分配，这样无疑成本就提高了。针对这种情况，一致性hash算法就出现了。

一致性hash算法

---

首先这个算法会将所有值储存在一个环里头，比如说data1的位置，只要落在上面这片区域属于Node1，下面区域是属于Node2，所以data2落在Node2进行储存。

新增节点情况

比如说现在增加节点Node3，data1数据不会变，只是data2的数据从原本Node2迁移到Node3去。这样只会影响一部分数据。

减少节点情况

这时如果把Node2干掉，那么我们只需要将data2迁移到Node1，不会影响之前Node1的数据。

总结

从上面情况来看，一致性hash算法对于新增、删除节点，只是会影响部分数据。

数据倾斜问题

---

当我们节点分配不好的时候，就会出现某个节点数据贼多，这样会导致大部分请求都跑去某个节点，该节点压力会很多，其他节点又没有流量。那这个时候解决方案就是增加虚拟节点。

新增了Node1-1、Node2-1虚拟节点，这样数据就不会因为划分不均匀导致数据倾斜。

实践

---

我尝试的是带有虚拟节点的方案

//总节点数据，包括实际上节点，还有虚拟节点
static NavigableMap<Integer, List<String>> map = new TreeMap<>();

//收集实际上节点对应哪些虚拟节点
static Map<String, List<Integer>> map1 = new HashMap<>();

public static void main(String[] args) {
    int a = 0;

    while (a < 4) {
        String ip = "172.29.3." + a;

        map.put(hashcode(ip), new ArrayList<>());
        map1.put(ip, new ArrayList<>(List.of(hashcode(ip))));

        for (int b = 0; b < 150; b++) {
            int number = hashcode(ip + "#" + RandomUtil.randomInt(5));

            map.put(number, new ArrayList<>());

            List<Integer> list = map1.get(ip);

            if (CollectionUtil.isEmpty(list)) {
                map1.put(ip, new ArrayList<>(List.of(number)));
            } else {
                map1.get(ip).add(number);
            }
        }
        a++;
    }

    int i = 0;

    while (i < 8000000) {
        String msg = RandomUtil.randomString(20);
        get(map, msg, map1).add(msg);
        i++;
    }

    map1.forEach((k, v) -> {
        System.out.println(k + " " + map.get(hashcode(k)).size());
    });
}

private static void remove(String ip) {
    List<Integer> idList = map1.get(ip);

    map1.remove(ip);

    idList.forEach(id->map.remove(id));
}

//使用FNV1_32_HASH算法计算服务器的Hash值,这里不使用重写hashCode的方法，最终效果没区别
private static int hashcode(String str) {
    final int p = 16777619;
    int hash = (int) 2166136261L;
    for (int i = 0; i < str.length(); i++)
        hash = (hash ^ str.charAt(i)) * p;
    hash += hash << 13;
    hash ^= hash >> 7;
    hash += hash << 3;
    hash ^= hash >> 17;
    hash += hash << 5;

    // 如果算出来的值为负数则取其绝对值
    if (hash < 0)
        hash = Math.abs(hash);
    return hash;
}

private static List<String> get(NavigableMap<Integer, List<String>> map, String msg, Map<String, List<Integer>> map1) {
    Map.Entry<Integer, List<String>> entry = map.ceilingEntry(hashcode(msg));

    AtomicReference<List<String>> list = new AtomicReference<>();

    if (entry == null) {
        map1.forEach((k, v) -> {
            if (v.contains(map.firstEntry().getKey())) {
                list.set(map.get(hashcode(k)));
            }
        });
    } else {
        map1.forEach((k, v) -> {
            if (v.contains(entry.getKey())) {
                list.set(map.get(hashcode(k)));
            }
        });
    }

    return list.get();
}

1. 有两个map，一个储存实际节点+虚拟节点数据的map，另一个是收集实际节点对应哪些虚拟节点

//总节点数据，包括实际上节点，还有虚拟节点
static NavigableMap<Integer, List<String>> map = new TreeMap<>();

//收集实际上节点对应哪些虚拟节点
static Map<String, List<Integer>> map1 = new HashMap<>();

2. 造了4个节点，我是以ip+“#”+随机数5位来作为值，但是ip呢经过实验，如果不是临近的话，数据分配还是不理想，我们可以这样做实际ip映射为172.29.3.xx，172.29.3.xx作为一个key去储存。

这里是往刚刚两个map储存数据

int a = 0;

while (a < 4) {
    String ip = "172.29.3." + a;

    map.put(hashcode(ip), new ArrayList<>());
    map1.put(ip, new ArrayList<>(List.of(hashcode(ip))));

    for (int b = 0; b < 150; b++) {
        int number = hashcode(ip + "#" + RandomUtil.randomInt(5));

        map.put(number, new ArrayList<>());

        List<Integer> list = map1.get(ip);

        if (CollectionUtil.isEmpty(list)) {
            map1.put(ip, new ArrayList<>(List.of(number)));
        } else {
            map1.get(ip).add(number);
        }
    }
    a++;
}

3. 这个是一致性hash算法的一部分了，ceilingEntry找到当前key比它大的节点，如果不存在则拿第一个节点。

private static List<String> get(NavigableMap<Integer, List<String>> map, String msg, Map<String, List<Integer>> map1) {
    Map.Entry<Integer, List<String>> entry = map.ceilingEntry(hashcode(msg));

    AtomicReference<List<String>> list = new AtomicReference<>();

    if (entry == null) {
        map1.forEach((k, v) -> {
            if (v.contains(map.firstEntry().getKey())) {
                list.set(map.get(hashcode(k)));
            }
        });
    } else {
        map1.forEach((k, v) -> {
            if (v.contains(entry.getKey())) {
                list.set(map.get(hashcode(k)));
            }
        });
    }

    return list.get();
}

4. hash算法

//使用FNV1_32_HASH算法计算服务器的Hash值,这里不使用重写hashCode的方法，最终效果没区别
private static int hashcode(String str) {
    final int p = 16777619;
    int hash = (int) 2166136261L;
    for (int i = 0; i < str.length(); i++)
        hash = (hash ^ str.charAt(i)) * p;
    hash += hash << 13;
    hash ^= hash >> 7;
    hash += hash << 3;
    hash ^= hash >> 17;
    hash += hash << 5;

    // 如果算出来的值为负数则取其绝对值
    if (hash < 0)
        hash = Math.abs(hash);
    return hash;
}

5. 跑下程序

172.29.3.3 1834587
172.29.3.2 1805299
172.29.3.1 1892821
172.29.3.0 2467293

我们可以看到数据蛮均匀的分配的。

实战

---

上面的例子，比如说删除节点，里面数据没有做迁移的，这个纠结需不需要迁移呢？

需要迁移的，大家可以自行了解下redis slots槽的设计，如果集群里面新增节点，需要人工去手动将slot移动到新的节点，减少也是一样的操作。

• Redis集群(中) —— 集群伸缩