文章收录在网站：http://hardyfish.top/
文章收录在网站：http://hardyfish.top/
文章收录在网站：http://hardyfish.top/
文章收录在网站：http://hardyfish.top/
一致性Hash算法
假如有三台服务器编号node0、node1、node2，现在有3000万个key，希望可以将这些个key均匀的缓存到三台机器上？
可以使用取模算法
hash（key）% N，对key进行hash运算后取模，N是机器的数量。但服务器数量N发生变化后
hash（key）% N计算的结果也会随之变化。
一致性hash算法本质上也是一种取模算法，不过不同于上边按服务器数量取模，一致性hash是对固定值2^32取模。
IPv4的地址是4组8位2进制数组成，所以用
2^32可以保证每个IP地址会有唯一的映射。
将这2^32个值抽象成一个圆环，圆环的正上方的点代表0，顺时针排列，以此类推，1、2、3、4、5、6......直到2^32-1，而这个由2的32次方个点组成的圆环统称为hash环。
服务器映射到hash环:
使用服务器IP地址进行hash计算，用哈希后的结果对
2^32取模，结果一定是一个0到2^32-1之间的整数，而这个整数映射在hash环上的位置代表了一个服务器，依次将node0、node1、node2三个缓存服务器映射到hash环上。
一致性hash的优势：
假如业务量激增，系统需要进行扩容增加一台服务器
node-4，刚好node-4被映射到node-1和node-2之间，沿顺时针方向对象映射节点，发现原本缓存在node-2上的对象key-4、key-5被重新映射到了node-4上，而整个扩容过程中受影响的只有node-4和node-1节点之间的一小部分数据。假如
node-1节点宕机，沿顺时针方向对象映射节点，缓存在node-1上的对象key-1被重新映射到了node-4上，此时受影响的数据只有node-0和node-1之间的一小部分数据。
数据偏斜问题：
在服务器节点数量太少的情况下，很容易因为节点分布不均匀而造成数据倾斜 问题，被缓存的对象大部分缓存在
node-4服务器上，导致其他节点资源浪费，系统压力大部分集中在node-4节点上，这样的集群是非常不健康的。
一致性Hash算法引入了一个虚拟节点机制，即对每个服务器节点计算出多个hash值，它们都会映射到hash环上，映射到这些虚拟节点的对象key，最终会缓存在真实的节点上。
一致性hash的应用场景：
一致性hash在分布式系统中应该是实现负载均衡的首选算法，比如日常使用较多的缓存中间件
memcached和redis集群都有用到它。