首先需要区分分布式和集群的区别？
- 分布式是不同的业务部署在不同的机器上；
- 集群是相同的业务不熟在不同的机器上。
1 传统Hash
如果进行扩容和缩容，将会非常的麻烦。
2 一致性Hash
首先建立一个长度为2^32-1的环，对每个节点进行hash值（0-2^32-1），然后添加数时，同样计算hash值，然后顺时针放在最近的那个节点上。
2.2 结构定义
1 首先定义两个map
- map1:key为ip地址String，value为机器节点的定义Node。
- map2:key为此节点的hash值Long，value为机器节点的定义Node。
写数据： 根据数据的Hash值找到最近的一个Node节点，然后将数据写入该节点。
问题： 1 发现数据都写到了Node3中，因为这100个数的hash都于节点3的最为接近。 2 如果节点故障后，只会迁移到下一个Node上，怎么处理？
2.3 改进
1 虚拟节点 将更多的节点散落在环上，使得节点分布更加均匀。
对节点NodeA进行3次虚拟节点hash分布，形成了虚拟节点NodeA1、NodeA2、NodeA3。当NodeA故障后，指向NodeA的数据会指向NodeB、NodeC。
虚拟节点数量为100万时的数据分布：
2 负载边界因子 这样就完美了吗？我们初始化一个4个节点的DHT环，虚拟节点设置为100，然后插入100条数据，并打印DHT环的元数据信息如下：
可以发现，虽然设置的虚拟节点，但是仍然无法均衡的将节点散列到DHT环上，导致Node2过载，Node空闲。我们再思考一种极端场景，当我们的数据恰好计算hash值后都在区间A，而这个区间只有NodeA，那么仍然出现了数据倾斜。如何解决这个问题呢，这里我们引入一个叫负载边界因子的概念。DHT环部署了4个节点，总共有100条数据要插入，那么平均下来每个节点的权重就是100/4+1=26，当数据映射过程中达到了该节点的权重，则映射到下一个节点，下面是代码实现。
思考：
上述的只是一个简单的DHT，数据也做了简化，数据的存储和读取都需要查询DHT环，如何提升DHT的读写性能？如何提升DHT的高可靠？当节点故障后，如何将故障节点的数据迁移到新的节点？如何做好数据备份？如何保证副本数据不集中在一个节点上？也是需要去思考的，本文只是抛砖引玉简单的介绍了DHT基本的思想，更多生产环境面临的挑战，在此不做展开。
