极客时间： 数据结构与算法之美 21+22 | 哈希算法

https://time.geekbang.org/column/article/67388

• hash = 哈希 > 散列

哈希算法

将任意长度的二进制值串映射为固定长度的二进制值串

特点：

• 从哈希值不能反向推导出原始数据；
• 对输入数据非常敏感，哪怕原始数据只修改了一个 Bit，最后得到到Hash值也不同；
• 冲突的概率要小
• 执行效率高，对长文本也能快速计算出哈希值

应用

安全加密

MD5，SHA

唯一标识

e.g. 海量图库中搜索一张图，可以给每个图片取一个唯一标识符（或者信息摘要），将图像二进制码的一部分通过哈希算法得到这个标识。根据标识找到图片后再和给定图片进行全量对比。

数据校验

e.g. 防止网络传输过程中数据被修改

散列函数

• 散列函数对散列冲突的要求较低，因为碰撞了也可以通过开放寻址或者链表法解决
• 散列函数对散列值能否反向解密也不关心，散列函数更关注散列值是否平均

负载均衡

通过哈希算法，对客户端 IP 或者会话 ID 计算哈希值然后和服务器数量进行取模，这样就可以把同一个IP的请求分给同一个服务器

数据分片

e.g. 1：统计“搜索关键词”出现的次数，n台机器并行处理，使用哈希分配数据到n台机器。再把关键词哈希到机器。这就是MapReduce的思想
e.g. 2：判断图像是否在图库

分布式存储

现在互联网面对的都是海量的数据、海量的用户。我们为了提高数据的读取、写入能力，一般都采用分布式的方式来存储数据，比如分布式缓存。我们有海量的数据需要缓存，所以一个缓存机器肯定是不够的。于是，我们就需要将数据分布在多台机器上。

该如何决定将哪个数据放到哪个机器上呢？我们可以借用前面数据分片的思想，即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。

但是，如果数据增多，原来的 10 个机器已经无法承受了，我们就需要扩容了，比如扩到 11 个机器，这时候麻烦就来了。因为，这里并不是简单地加个机器就可以了。

原来的数据是通过与 10 来取模的。比如 13 这个数据，存储在编号为 3 这台机器上。但是新加了一台机器中，我们对数据按照 11 取模，原来 13 这个数据就被分配到 2 号这台机器上了。

 

 

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。所有的数据请求都会穿透缓存，直接去请求数据库。这样就可能发生雪崩效应，压垮数据库。

所以，我们需要一种方法，使得在新加入一个机器后，并不需要做大量的数据搬移。这时候，一致性哈希算法就要登场了。

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，我们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。