[转]一致性哈希算法及其在分布式系统中的应用

http://blog.codinglabs.org/articles/consistent-hashing.html

摘要

本文将会从实际应用场景出发，介绍一致性哈希算法（Consistent Hashing）及其在分布式系统中的应用。首先本文会描述一个在平常开发中常常会遇到的问题场景，借此介绍一致性哈希算法以及这个算法如何解决此问题；接下来会对这个算法进行相对详细的描述，并讨论一些如虚拟节点等与此算法应用相关的话题。

分布式缓存问题

假设咱们有一个网站，最近发现随着流量增长，服务器压力愈来愈大，以前直接读写数据库的方式不太给力了，因而咱们想引入Memcached做为缓存机制。如今咱们一共有三台机器能够做为Memcached服务器，以下图所示。

很显然，最简单的策略是将每一次Memcached请求随机发送到一台Memcached服务器，可是这种策略可能会带来两个问题：一是同一份数据可能被存在不一样的机器上而形成数据冗余，二是有可能某数据已经被缓存可是访问却没有命中，由于没法保证对相同key的全部访问都被发送到相同的服务器。所以，随机策略不管是时间效率仍是空间效率都很是很差。

要解决上述问题只需作到以下一点：保证对相同key的访问会被发送到相同的服务器。不少方法能够实现这一点，最经常使用的方法是计算哈希。例如对于每次访问，能够按以下算法计算其哈希值：

h = Hash(key) % 3

其中Hash是一个从字符串到正整数的哈希映射函数。这样，若是咱们将Memcached Server分别编号为0、一、2，那么就能够根据上式和key计算出服务器编号h，而后去访问。

这个方法虽然解决了上面提到的两个问题，可是存在一些其它的问题。若是将上述方法抽象，能够认为经过：

h = Hash(key) % N

这个算式计算每一个key的请求应该被发送到哪台服务器，其中N为服务器的台数，而且服务器按照0 – (N-1)编号。

这个算法的问题在于容错性和扩展性很差。所谓容错性是指当系统中某一个或几个服务器变得不可用时，整个系统是否能够正确高效运行；而扩展性是指当加入新的服务器后，整个系统是否能够正确高效运行。

现假设有一台服务器宕机了，那么为了填补空缺，要将宕机的服务器从编号列表中移除，后面的服务器按顺序前移一位并将其编号值减一，此时每一个key就要按h = Hash(key) % (N-1)从新计算；一样，若是新增了一台服务器，虽然原有服务器编号不用改变，可是要按h = Hash(key) % (N+1)从新计算哈希值。所以系统中一旦有服务器变动，大量的key会被重定位到不一样的服务器从而形成大量的缓存不命中。而这种状况在分布式系统中是很是糟糕的。

一个设计良好的分布式哈希方案应该具备良好的单调性，即服务节点的增减不会形成大量哈希重定位。一致性哈希算法就是这样一种哈希方案。

一致性哈希算法

算法简述

一致性哈希算法（Consistent Hashing）最先在论文《Consistent Hashing and Random Trees: Distributed Caching Protocols for Relieving Hot Spots on the World Wide Web》中被提出。简单来讲，一致性哈希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 - 2³²-1（即哈希值是一个32位无符号整形），整个哈希空间环以下：

整个空间按顺时针方向组织。0和2³²-1在零点中方向重合。

下一步将各个服务器使用H进行一个哈希，具体能够选择服务器的ip或主机名做为关键字进行哈希，这样每台机器就能肯定其在哈希环上的位置，这里假设将上文中三台服务器使用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H计算出哈希值h，通根据h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A、B、C、D四个数据对象，通过哈希计算后，在环空间上的位置以下：

根据一致性哈希算法，数据A会被定为到Server 1上，D被定为到Server 3上，而B、C分别被定为到Server 2上。

容错性与可扩展性分析

下面分析一致性哈希算法的容错性和可扩展性。现假设Server 3宕机了：

能够看到此时A、C、B不会受到影响，只有D节点被重定位到Server 2。通常的，在一致性哈希算法中，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（即顺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。

下面考虑另一种状况，若是咱们在系统中增长一台服务器Memcached Server 4：

此时A、D、C不受影响，只有B须要重定位到新的Server 4。通常的，在一致性哈希算法中，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（即顺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。

综上所述，一致性哈希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。

虚拟节点

一致性哈希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问题。例如咱们的系统中有两台服务器，其环分布以下：

此时必然形成大量数据集中到Server 1上，而只有极少许会定位到Server 2上。为了解决这种数据倾斜问题，一致性哈希算法引入了虚拟节点机制，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，咱们决定为每台服务器计算三个虚拟节点，因而能够分别计算“Memcached Server 1#1”、“Memcached Server 1#2”、“Memcached Server 1#3”、“Memcached Server 2#1”、“Memcached Server 2#2”、“Memcached Server 2#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“Memcached Server 1#1”、“Memcached Server 1#2”、“Memcached Server 1#3”三个虚拟节点的数据均定位到Server 1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。

总结

目前一致性哈希基本成为了分布式系统组件的标准配置，例如Memcached的各类客户端都提供内置的一致性哈希支持。本文只是简要介绍了这个算法，更深刻的内容能够参看论文《Consistent Hashing and Random Trees: Distributed Caching Protocols for Relieving Hot Spots on the World Wide Web》，同时提供一个C语言版本的实现供参考。