「拒绝等通知」我还会一致性哈希算法

一致性哈希算法

1. 基本场景

在电商服务中, 热点商品信息存储在Redis缓存中。数据量小的场景下，使用单个节点存储。随着数据量的增长，一般采用多节点集群模式管理。

2. 哈希取模

将请求均匀分配到各个服务器节点。假设有4个Redis服务节点，能够取商品对象hash值，经过算法 hash(object)/(4)均匀映射到每一个服务节点

3. 哈希取模的缺陷

扩容致使的灾难

当Redis服务器从4个扩容到5个，咱们发现只有4个对象能够命中缓存（图中绿色的点），致使其余大量的请求穿透缓存，压力所有到数据库，后果不可预料。

解决方案：成倍扩容

咱们发现hash分布的结果是关键，能够将Redis服务器从4个扩容到8个这样成倍的扩容。已经经过哈希分派到了相应的缓存，原有的映射才不会改变。

成倍的扩容彷佛解决了扩容问题，可是成倍扩容会致使资源的浪费，并且集群的收缩性不是很好。更重要的是，Redis服务器故障移除时，一样致使上述的穿透缓存问题。为了解决缓存服务器数量发生变化致使的问题，咱们引入了一致性哈希算法

4. 一致性哈希算法

一致性哈希算法仍然是取模的算法。一致性Hash算法将整个哈希值空间组织成一个虚拟的圆环，一般哈希函数值空间为0-2^32-1.

假设咱们有4台服务器，Redis-1（10.0.1.156），Redis-1（10.1.2.145），Redis-1（10.2.3.112），Redis-1（10.6.4.231）
咱们使用一个简单的hash函数：hash(Redis-1) = 1001156，将服务器映射到哈希环。

能够看到，4个节点将哈希环分为4个部分. 假设有个商品A的Hash值为2157132，找到在hash环上的范围1064231～1001156，而后顺时针查找第一个服务器节点Redis-1，就是咱们的缓存节点。以此类推图中4个商品存储在哪一个缓存节点上。

5. 一致性哈希算法的优势

一致性哈希算法是否解决了缓存服务器数量发生变化致使的问题？
咱们假设节点Redis-1故障了，商品A的Hash值为2157132，找到在hash环上的位置，而后顺时针查找第一个服务器节点Redis-2.Hash值落在其余区间的对象和服务器的映射关系没有收到影响。

咱们新增节点Redis-5（1072132），商品A的Hash值为2157132，找到在hash环上的范围1064231～1072132，而后顺时针查找第一个服务器节点Redis-5. Hash值落在其余区间的对象和服务器的映射关系没有收到影响。

当服务器节点发生变动，只有部分缓存失效，不会出现大范围缓存失效的问题。

6. Hash倾斜

上文讲到节点Redis-1故障时，全部缓存在节点Redis-1的数据都会缓存到节点Redis-2上，这样就会致使一个缓存分布不均衡的问题，大量缓存集中在某几个节点上。

从另外一个角度来讲，是hash环没有被平均的切分致使的散列不均衡。那么咱们多建立几个节点就能解决这个问题。由于实际上物理服务器是固定的，那么咱们建立虚拟节点作分布。

为每一个Redis节点建立3个虚拟节点，虚拟节点自身关联到物理节点。

因为多个节点，整个hash环被分红9个区间，Redis-1 负责映射到区间2，4，6的对象，总体来看每一个Redis服务器承担的区间压力更加均匀。

7. 总结

一致性哈希算法设计是为了解决分布式Cache中提出的，设计目标是为了解决在分布式服务节点变动，使用简单哈希算法带来的问题。在实际使用中，如何保证分布式服务的稳定性，是服务设计首先要考虑的问题。