hash算法_一致性Hash算法

一致性Hash算法

普通余数Hash算法与一致性Hash算法的区别，一致性Hash算法解决了什么问题？

普通余数Hash算法

我们前面研究Memcache（mc）与Redis的区别时，分析到mc是通过客户端来实现服务集群高可用的，客户端会有服务集群的节点列表信息，客户端通过一个负载均衡算法来实现服务的均衡调用。我们先来梳理下常用的负载均衡（将外部发送来的请求均匀分配到对称结构中的某一台服务器上）算法有哪些：

1.轮询（Round Robin）法

2.随机（Random）法

3.源地址哈希（Hash）法

4.加权轮询（Weight Round Robin）法

5.加权随机（Weight Random）法

6.最小连接数（Least Connections）法

我们今天分析下哈希法，根据请求Ip求出hash值，假如mc集群的节点数量为3，则将hash值与3进行求余操作，求出的余数分别对应3个节点服务器（1：节点1，2：节点2，3：节点3），当算出来的hash值随机性比较强的情况，请求分配到各个服务器的数量会大致相同（求hash值的散列函数设计非常重要）。

优点：

1.算法实现足够简单，服务器节点数量设置为2n次方，可以使用&求出余数（通过位运算进一步优化cpu计算性能）。

2.散列函数计算出的Hash值足够随机的话，请求可以均匀地分摊到各个服务节点。

缺点：

该算法的伸缩性不好，当新增节点和下线节点时，大量的请求不能命中mc缓存。

假设mc服务器集群由3台变为4台吧，更改服务器列表，仍然使用余数Hash，50对4的余数是2，对应Node2，但是str原来是存在Node1上的，这就导致了缓存没有命中。如果这么说不够明白，那么不妨举个例子，原来有HashCode为0~19的20个数据，那么：

如果我扩容到20+的台数，只有前三个HashCode对应的Key是命中的，也就是15%。通过上述例子我们可以知道当新增和下线节点时，原数据库中的数据会大量无法命中，而且是节点数越高，命中率越低，往往我们的集群节点数量会比较多，所以这个结果是我们无法接受的。

这个问题有什么解决办法呢？

（1）在网站访问量低谷，通常是深夜，技术团队加班，扩容、重启服务器

（2）通过模拟请求的方式逐渐预热缓存，使缓存服务器中的数据重新分布

（3）一致性Hash算法

一致性Hash算法

一致性Hash算法通过一个一致性Hash环的数据结构实现key到缓存服务器的Hash映射。

具体算法过程为：先构造一个长度为2的32次方的整数环（这个环被称为一致性Hash环），根据节点名称的Hash值（其分布为[0, 2的32次方-1]）将缓存服务器节点放置在这个Hash环上，然后根据需要缓存的数据的Key值计算得到其Hash值（其分布也为[0, 2的32次方-1]），然后在Hash环上顺时针查找距离这个Key值的Hash值最近的服务器节点，完成Key到服务器的映射查找。

一致性Hash算法是如何解决余数Hash算法节点新增/删除时大量原请求无法命中原目标服务器？

加了一个Node4节点后，只影响到了一个Key值的数据，本来这个Key值应该是在Node1服务器上的，现在要去Node4了。采用一致性Hash算法，的确也会影响到整个集群，但是影响的只是加粗的那一段而已，相比余数Hash算法影响了远超一半的影响率，这种影响要小得多。更重要的是，集群中缓存服务器节点越多，增加节点带来的影响越小，很好理解。换句话说，随着集群规模的增大，继续命中原有缓存数据的概率会越来越大，虽然仍然有小部分数据缓存在服务器中不能被读到，但是这个比例足够小，即使访问数据库，也不会对数据库造成致命的负载压力。

总结：

1.一致性Hash算法并没有完全解决节点数量变化后，部分数据无法命中的问题。只是解决了伸缩性差的问题，一致性Hash算法只会影响变化节点（新增或删除节点）顺时针方向的第一个节点，而且环上的节点数量越多，影响的数据范围越小。反之余数Hash算法的伸缩性非常差，节点变化之后影响的数据范围非常大（3个节点拓展到4个节点，缓存命中率只有15%），绝大部分数据都受到了影响。

一致性Hash算法的实现

实现思路：

1.如何设计这个一致性hash环的数据结构，并且把节点的Hash值放到环上？

2.如何设计散列函数保证算出来的Hash值足够随机？

3.怎么分配节点的虚拟节点，并且把虚拟节点放置到Hash环中？

4.如何根据请求key的Hash值找到正确的节点？

解决方案一：排序+List

我想到的第一种思路是：算出所有待加入数据结构的节点名称的Hash值放入一个数组中，然后使用某种排序算法将其从小到大进行排序，最后将排序后的数据放入List中，采用List而不是数组是为了结点的扩展考虑。

之后，待路由的结点，只需要在List中找到第一个Hash值比它大的服务器节点就可以了，比如服务器节点的Hash值是[0,2,4,6,8,10]，带路由的结点是7，只需要找到第一个比7大的整数，也就是8，就是我们最终需要路由过去的服务器节点。这个方案的主要缺点是：需要对数组的数据进行排序操作，数组的数据比较多的话排序这个操作会比较耗时。

解决方案二：遍历+List

既然排序操作比较耗性能，那么能不能不排序？可以的，所以进一步的，有了第二种解决方案。

解决方案使用List不变，不过可以采用遍历的方式：

• 服务器节点不排序，其Hash值全部直接放入一个List中
• 带路由的节点，算出其Hash值，由于指明了"顺时针"，因此遍历List，比待路由的节点Hash值大的算出差值并记录，比待路由节点Hash值小的忽略
• 算出所有的差值之后，最小的那个，就是最终需要路由过去的节点

解决方案三：二叉查找树

抛开List这种数据结构，另一种数据结构则是使用二叉查找树。对于树不是很清楚的朋友可以简单看一下这篇文章树形结构。

当然我们不能简单地使用二叉查找树，因为可能出现不平衡的情况。平衡二叉查找树有AVL树、红黑树等，这里使用红黑树，选用红黑树的原因有两点：

• 红黑树主要的作用是用于存储有序的数据，这其实和第一种解决方案的思路又不谋而合了，但是它的效率非常高
• JDK里面提供了红黑树的代码实现TreeMap和TreeSet

另外，以TreeMap为例，TreeMap本身提供了一个tailMap(K fromKey)方法，支持从红黑树中查找比fromKey大的值的集合，但并不需要遍历整个数据结构。

使用红黑树，可以使得查找的时间复杂度降低为O(logN)，比上面两种解决方案，效率大大提升。

为了验证这个说法，我做了一次测试，从大量数据中查找第一个大于其中间值的那个数据，比如10000数据就找第一个大于5000的数据（模拟平均的情况）。看一下O(N)时间复杂度和O(logN)时间复杂度运行效率的对比：

因为再大就内存溢出了，所以只测试到4000000数据。可以看到，数据查找的效率，TreeMap是完胜的，其实再增大数据测试也是一样的，红黑树的数据结构决定了任何一个大于N的最小数据，它都只需要几次至几十次查找就可以查到。

当然，明确一点，有利必有弊，根据我另外一次测试得到的结论是，为了维护红黑树，数据插入效率TreeMap在三种数据结构里面是最差的，且插入要慢上5~10倍。

一致性Hash算法实现版本1：不带虚拟节点

/**

使用虚拟节点来改善一致性Hash算法

Hash环上有A、B、C三个服务器节点，分别有100个请求会被路由到相应服务器上。现在在A与B之间增加了一个节点D，这导致了原来会路由到B上的部分节点被路由到了D上，这样A、C上被路由到的请求明显多于B、D上的，原来三个服务器节点上均衡的负载被打破了。某种程度上来说，这失去了负载均衡的意义，因为负载均衡的目的本身就是为了使得目标服务器均分所有的请求。

解决这个问题的办法是引入虚拟节点，其工作原理是：将一个物理节点拆分为多个虚拟节点，并且同一个物理节点的虚拟节点尽量均匀分布在Hash环上。采取这样的方式，就可以有效地解决增加或减少节点时候的负载不均衡的问题。

一致性Hash算法实现版本2：带虚拟节点

在理解了使用虚拟节点来改善一致性Hash算法的理论基础之后，就可以尝试开发代码了。编程方面需要考虑的问题是：

• 一个真实结点如何对应成为多个虚拟节点？
• 虚拟节点找到后如何还原为真实结点？

这两个问题其实有很多解决办法，我这里使用了一种简单的办法，给每个真实结点后面根据虚拟节点加上后缀再取Hash值，比如"192.168.0.0:111"就把它变成"192.168.0.0:111&&VN0"到"192.168.0.0:111&&VN4"，VN就是Virtual Node的缩写，还原的时候只需要从头截取字符串到"&&"的位置就可以了。

下面来看一下带虚拟节点的一致性Hash算法的Java代码实现：

/**