Consistent hashing一致性算法原理

最近在整理redis分布式集群，首先就整理一下分布式算法原理。常见的分区规则有哈希分区和顺序分区两种，Redis采用的是哈希分区规则。

• 节点取余分区

使用特定的数据，如Redis的键或用户ID为key，节点数量为N，则：hash(key)%N，计算出哈希值，而后决定映射到哪一个节点上，如节点数为4时，哈希值的结果可能为0、一、2，3. 现假设有4个redis节点，HashCode值为1~20的20个数据，那么

redis节点	HashCode	HashCode	HashCode	HashCode	HashCode
redis0	4	8	12	16	20
redis1	1	5	9	13	17
redis2	2	6	10	14	18
redis3	3	7	11	15	19

当增长一个redis节点时，以下图只有1，2，3，20这4个命中了，即4/20=20%

redis节点	HashCode	HashCode	HashCode	HashCode
redis0	5	10	15	20
redis1	1	6	11	16
redis2	2	7	12	17
redis3	3	8	13	18
redis4	4	9	14	19

优势：简单 缺点：当节点数量变化时，如扩容或收缩节点，数据节点映射关系须要从新计算，会致使数据的从新迁移。

• Consistent hashing一致性算法原理 一致性算法也叫环形hash算法。 基本思想：将对象和cache都映射到同一个hash数值空间中，而且使用相同的hash算法。

算法过程：构造长度为的2³²的整数环，根据节点名称的Hash值，将缓存服务器节点放置在这个Hash环上，而后根据须要缓存的数据的key值计算获得Hash值，而后在Hash环上顺时针查找这个key的Hash最近的服务器节点，完成key到服务器的映射查找。 keyA、keyB、keyC为三个节点，对象为key1，key2，key3，key4：

能够分析一下，当移除一个节点时，影响的是该节点到逆时针到达下一个节点的这部分，如移除keyB，keyB到KeyA的值会从新指向keyC；添加节点时，影响的是添加的节点逆时针到达下一个节点的一部分，不会对其它节点形成影响。一致性算法，明显的抑制对象的键的从新分布。 理想状态下，3个节点是均匀分布在环上的，但是实际通常不会均匀分布，会出现hash倾斜，以下图，A B C三个节点挨的比较紧密：

缺点： 加减节点会形成哈希环中部分数据没法命中，须要手动处理或者忽略这部分数据，所以一致性哈希经常使用于缓存场景中。 节点比较少时，节点变化将大范围影响哈希环中数据映射，所以不适合少许节点的分布式场景。 普通的一致性哈希分区在增减节点时，须要增长一倍或减去通常节点才能保证数据和负载的均衡。

虚拟槽分区 以下图，每一个节点增长一个虚拟节点，这样对象一、3指向节点A，四、5指向节点B，二、6指向节点C，明显抑制了hash一致性分布不均匀的现象。

使用分散度良好的哈希函数把全部数据映射到一个固定范围的整数集合中，整数定义为槽。这个范围通常远大于节点数，槽是集群内数据管理和迁移的基本单位。采用大范围槽的主要目的是为了方便数据拆分和集群扩展。 命中率计算公式： （1-n/(n+m)）*100% n是服务器台数 m是新增服务器台数，新增服务器台数越多命中率越大，全部增长虚拟节点命中率也会增长。

增长虚拟节点，每一个实际节点设置100~500虚拟节点，能够抑制hash一致性分布不均匀的现象。