一致性哈希(hash)算法

1、算法背景

一致性哈希算法在1997年由麻省理工学院的Karger等人在解决分布式Cache中提出的，设计目标是为了解决因特网中的热点(Hot spot)问题，初衷和CARP十分相似。一致性哈希修正了CARP使用的简单哈希算法带来的问题，使得DHT能够在P2P环境中真正获得应用。

 

2、应用场景

如今一致性hash算法在分布式系统中也获得了普遍应用，分布式系统中涉及到集群部署，包括缓存Redis集群，数据库集群，咱们在使用Redis的时候，为了保证Redis的高可用，提升Redis的读写性能，最简单的方式咱们会作主从复制，组成Master-Master或者Master-Slave的形式，或者搭建Redis集群，进行数据的读写分离，相似于数据库的主从复制和读写分离。以下所示：

 

一样数据库中也是，当单表数据大于500W的时候须要对其进行分库分表，当数据量很大的时候（标准可能不同，要看Redis服务器容量）咱们一样能够对Redis进行相似的操做，就是分库分表。

假设，咱们有一个社交网站，须要使用Redis存储图片资源，存储的格式为键值对，key值为图片名称，value为该图片所在文件服务器的路径，咱们须要根据文件名查找该文件所在文件服务器上的路径，数据量大概有2000W左右，按照咱们约定的规则进行分库，规则就是随机分配，咱们能够部署8台缓存服务器，每台服务器大概含有500W条数据，而且进行主从复制，示意图以下

因为规则是随机的，全部咱们的一条数据都有可能存储在任何一组Redis中，例如上图咱们用户查找一张名称为”a.png”的图片，因为规则是随机的，咱们不肯定具体是在哪个Redis服务器上的，所以咱们须要进行一、二、三、4，4次查询才可以查询到（也就是遍历了全部的Redis服务器），这显然不是咱们想要的结果，有了解过的小伙伴可能会想到，随机的规则不行，可使用相似于数据库中的分库分表规则：按照Hash值、取模、按照类别、按照某一个字段值等等常见的规则就能够出来了！好，按照咱们的主题，咱们就使用Hash的方式。

 

3、为Redis集群使用Hash

可想而知，若是咱们使用Hash的方式 hash(图片名称) % N ，每一张图片在进行分库的时候均可以定位到特定的服务器，示意图以下：

 

由于图片的名称是不重复的，因此，当咱们对同一个图片名称作相同的哈希计算时，得出的结果应该是不变的，若是咱们有4台服务器，使用哈希后的结果对4求余，那么余数必定是0、一、2或3，没错，正好与咱们以前的服务器编号相同。

若是求余的结果为0， 咱们就把当前图片名称对应的图片缓存在0号服务器上；若是余数为1，就把当前图片名对应的图片缓存在1号服务器上；若是余数为2，同理。那么，当咱们访问任意一个图片的时候，只要再次对图片名称进行上述运算，便可得出对应的图片应该存放在哪一台缓存服务器上，咱们只要在这一台服务器上查找图片便可，若是图片在对应的服务器上不存在，则证实对应的图片没有被缓存，也不用再去遍历其余缓存服务器了，经过这样的方法，便可将3万张图片随机的分布到3台缓存服务器上了，并且下次访问某张图片时，直接可以判断出该图片应该存在于哪台缓存服务器上，这样就能知足咱们的需求了，咱们暂时称上述算法为HASH算法或者取模算法。

上图中，假设咱们查找的是”a.png”，因为有4台服务器（排除从库），所以公式为

hash(a.png) % 4 = 2

，可知定位到了第2号服务器，这样的话就不会遍历全部的服务器，大大提高了性能！

 

4、使用Hash的问题

上述的方式虽然提高了性能，咱们再也不须要对整个Redis服务器进行遍历！可是，使用上述HASH算法进行缓存时，会出现一些缺陷，主要体如今服务器数量变更的时候，全部缓存的位置都要发生改变！

试想一下，若是3台缓存服务器已经不能知足咱们的缓存需求，那么咱们应该怎么作呢？没错，很简单，多增长两台缓存服务器不就好了，假设，咱们增长了一台缓存服务器，那么缓存服务器的数量就由4台变成了5台，此时，若是仍然使用上述方法对同一张图片进行缓存，那么这张图片所在的服务器编号一定与原来4台服务器时所在的服务器编号不一样，由于除数由4变为了5，被除数不变的状况下，余数确定不一样，这种状况带来的结果就是当服务器数量变更时，全部缓存的位置都要发生改变，换句话说，当服务器数量发生改变时，全部缓存在必定时间内是失效的，当应用没法从缓存中获取数据时，则会向后端服务器请求数据，同理，假设4台缓存中忽然有一台缓存服务器出现了故障，没法进行缓存，那么咱们则须要将故障机器移除，可是若是移除了一台缓存服务器，那么缓存服务器数量从4台变为3台，若是想要访问一张图片，这张图片的缓存位置一定会发生改变，之前缓存的图片也会失去缓存的做用与意义，因为大量缓存在同一时间失效，形成了缓存的雪崩，此时前端缓存已经没法起到承担部分压力的做用，后端服务器将会承受巨大的压力，整个系统颇有可能被压垮，因此，咱们应该想办法不让这种状况发生，可是因为上述HASH算法自己的缘故，使用取模法进行缓存时，这种状况是没法避免的。

咱们来回顾一下使用上述算法会出现的问题。

问题1：当缓存服务器数量发生变化时，会引发缓存的雪崩，可能会引发总体系统压力过大而崩溃（大量缓存同一时间失效）。

问题2：当缓存服务器数量发生变化时，几乎全部缓存的位置都会发生改变，怎样才能尽可能减小受影响的缓存呢？

其实，上面两个问题是一个问题，那么，一致性哈希算法可以解决上述问题吗？解决这些问题，一致性哈希算法诞生了。

 

5、一致性哈希的基本概念

一致性Hash算法也是使用取模的方法，只是，刚才描述的取模法是对服务器的数量进行取模，而一致性Hash算法是对2^32取模，什么意思呢？简单来讲，一致性Hash算法将整个哈希值空间组织成一个虚拟的圆环，如假设某哈希函数H的值空间为0-2^32-1（即哈希值是一个32位无符号整形），整个哈希环以下：

整个空间按顺时针方向组织，圆环的正上方的点表明0，0点右侧的第一个点表明1，以此类推，二、三、四、五、6……直到2^32-1，也就是说0点左侧的第一个点表明2^32-1， 0和2^32-1在零点中方向重合，咱们把这个由2^32个点组成的圆环称为Hash环。

那么，一致性哈希算法与上图中的圆环有什么关系呢？咱们继续聊，仍然以以前描述的场景为例，假设咱们有4台缓存服务器，服务器A、服务器B、服务器C，服务器D，那么，在生产环境中，这4台服务器确定有本身的IP地址或主机名，咱们使用它们各自的IP地址或主机名做为关键字进行哈希计算，使用哈希后的结果对2^32取模，可使用以下公式示意：

hash（服务器A的IP地址） %  2^32

经过上述公式算出的结果必定是一个0到2^32-1之间的一个整数，咱们就用算出的这个整数，表明服务器A，既然这个整数确定处于0到2^32-1之间，那么，上图中的hash环上一定有一个点与这个整数对应，而咱们刚才已经说明，使用这个整数表明服务器A，那么，服务器A就能够映射到这个环上。

以此类推，下一步将各个服务器使用相似的Hash算式进行一个哈希，这样每台机器就能肯定其在哈希环上的位置，这里假设将上文中四台服务器使用IP地址哈希后在环空间的位置以下：

 

接下来使用以下算法定位数据访问到相应服务器：  将数据key使用相同的函数Hash计算出哈希值，并肯定此数据在环上的位置，今后位置沿环顺时针“行走”，第一台遇到的服务器就是其应该定位到的服务器！

例如咱们有Object A、Object B、Object C、Object D四个数据对象，通过哈希计算后，在环空间上的位置以下：

 

根据一致性Hash算法，数据A会被定为到Node A上，B被定为到Node B上，C被定为到Node C上，D被定为到Node D上。

说到这里可能会有疑问，为何hash一致性的数据空间范围是2^32次方？

由于，java中int的最大值是2^31-1最小值是-2^31,2^32恰好是无符号整形的最大值；

进一步追尾基础，为何java中int的最大值是2^31-1最小值是-2^31？

由于，int的最大值最小值范围设定是由于一个int占4个字节，一个字节占8位，二进制中恰好是32位。（基础忘记的须要恶补一下了）

 

6、一致性Hash算法的容错性和可扩展性

现假设Node C不幸宕机，能够看到此时对象A、B、D不会受到影响，只有C对象被重定位到Node D。通常的，在一致性Hash算法中，若是一台服务器不可用，则受影响的数据仅仅是此服务器到其环空间中前一台服务器（即沿着逆时针方向行走遇到的第一台服务器）之间数据，其它不会受到影响，以下所示：

下面考虑另一种状况，若是在系统中增长一台服务器Node X，以下图所示：

此时对象Object A、B、D不受影响，只有对象C须要重定位到新的Node X ！通常的，在一致性Hash算法中，若是增长一台服务器，则受影响的数据仅仅是新服务器到其环空间中前一台服务器（即沿着逆时针方向行走遇到的第一台服务器）之间数据，其它数据也不会受到影响。

综上所述，一致性Hash算法对于节点的增减都只需重定位环空间中的一小部分数据，具备较好的容错性和可扩展性。

 

7、Hash环的数据倾斜问题

一致性Hash算法在服务节点太少时，容易由于节点分部不均匀而形成数据倾斜（被缓存的对象大部分集中缓存在某一台服务器上）问题，例如系统中只有两台服务器，其环分布以下：

此时必然形成大量数据集中到Node A上，而只有极少许会定位到Node B上，从而出现hash环偏斜的状况，当hash环偏斜之后，缓存每每会极度不均衡的分布在各服务器上，若是想要均衡的将缓存分布到2台服务器上，最好能让这2台服务器尽可能多的、均匀的出如今hash环上，可是，真实的服务器资源只有2台，咱们怎样凭空的让它们多起来呢，没错，就是凭空的让服务器节点多起来，既然没有多余的真正的物理服务器节点，咱们就只能将现有的物理节点经过虚拟的方法复制出来。

这些由实际节点虚拟复制而来的节点被称为"虚拟节点"，即对每个服务节点计算多个哈希，每一个计算结果位置都放置一个此服务节点，称为虚拟节点。具体作法能够在服务器IP或主机名的后面增长编号来实现。

例如上面的状况，能够为每台服务器计算三个虚拟节点，因而能够分别计算 “Node A#1”、“Node A#2”、“Node A#3”、“Node B#1”、“Node B#2”、“Node B#3”的哈希值，因而造成六个虚拟节点：

 

同时数据定位算法不变，只是多了一步虚拟节点到实际节点的映射，例如定位到“Node A#1”、“Node A#2”、“Node A#3”三个虚拟节点的数据均定位到Node A上。这样就解决了服务节点少时数据倾斜的问题。在实际应用中，一般将虚拟节点数设置为32甚至更大，所以即便不多的服务节点也能作到相对均匀的数据分布。

 

8、总结

上文中，咱们一步步分析了什么是一致性Hash算法，主要是考虑到分布式系统每一个节点都有可能失效，而且新的节点极可能动态的增长进来的状况，如何保证当系统的节点数目发生变化的时候，咱们的系统仍然可以对外提供良好的服务，这是值得考虑的！

 

参考：白话解析：一致性哈希算法 consistent hashing