这是我参与8月更文挑战的第18天，活动详情查看：8月更文挑战
一致性Hash
一致哈希是一种特殊的哈希算法。在使用一致哈希算法后，哈希表槽位数（大小）的改变平均只需要对 K/n 个关键字重新映射，其中 K 是关键字的数量，n 是槽位数量。然而在传统的哈希表中，添加或删除一个槽位的几乎需要对所有关键字进行重新映射。
— 维基百科
应用场景
一致性哈希算法在1997年由麻省理工学院提出的一种分布式哈希（DHT）实现算法，设计目标是为了解决因特网中的热点(Hot spot)问题，初衷和CARP十分类似。一致性哈希修正了CARP使用的简 单哈希算法带来的问题，使得分布式哈希（DHT）可以在P2P环境中真正得到应用。 多用于分布式 Web 服务中。每个服务代表哈希环的一个节点，当此节点发生改变时候，例如挂掉，只有部分缓存会重新计算分布，而不是全部失效。
特性如下：
- 冗余少
负载均衡过渡平滑- 存储均衡
关键词单调
在分布式集群中，对机器的添加删除，或者机器故障后自动脱离集群这些操作是分布式集群管理最基本的功能。如果采用常用的hash(object)%N算法，那么在有机器添加或者删除后，很多原有的数据就无法找到了，这样严重的违反了单调性原则。接下来主要讲解一下一致性哈希算法是如何设计的：
算法过程
假设我们目前有一个缓存集群，图中 node 代表集群节点。
下图就是哈希环，区间范围是 0 ~ 2^32，所有的值都会被 hash 过来（比如采用 hashcode 算法）。
读取缓存的步骤：
- 计算 node 哈希值，将其映射到 0 ~ 2^32 范围内
- 读取缓存时，计算缓存键对应的哈希值，映射到同一个圆上
- 顺时针查找圆，遇到的第一个 node
- 其上读取缓存，如果没有，那么更新缓存
更新缓存步骤：类似「读取缓存」
当 node 失效时，或者新加 node 时，只会有一部分缓存会变动，如上所示。
数据倾斜问题
如果服务节点太少，假设上图中，只有 node1 和 node3，那么大多数的缓存会落到 node1。
解决方法：每个 node，生成对应随机的 node 节点即可。
例如 node1 生成 node1-1、node1-2；node2 生成 node2-1、node2-2。
谷歌一致性哈希
jump consistent hash 是一种一致性哈希算法, 此算法零内存消耗，均匀分配，快速，并且只有 5 行代码。
int32_t JumpConsistentHash(uint64_t key, int32_t num_buckets) {
int64_t b = -1, j = 0;
while (j < num_buckets) {
b = j;
key = key * 2862933555777941757ULL + 1;
j = (b + 1) * (double(1LL << 31) / double((key >> 33) + 1));
}
return b;
}
代码实现
在 nodejs 中，使用hashring.js。
const HashRing = require('hashring');
// 传入节点权重，影响虚拟节点数量
const ring = new HashRing({
'127.0.0.1:11211': 200,
'127.0.0.2:11211': { weight: 200 }, // same as above
'127.0.0.3:11211': 3200
});
console.log('>>> 命中节点', ring.get('your own ip'))
