1. 是什么
哈希算法的一种，由麻省理工学院提出，目的是解决：传统哈希算法中，哈希表内槽数量变更时导致的大量键重映射问题。
如下内容引用自维基百科：
In computer science, consistent hashing is a special kind of hashing technique such that when a hash table is resized, only n/m keys need to be remapped on average where n is the number of keys and m is the number of slots. In contrast, in most traditional hash tables, a change in the number of array slots causes nearly all keys to be remapped because the mapping between the keys and the slots is defined by a modular operation.
在计算机科学中，一致哈希是一种特殊的哈希技术，当一个哈希表被调整大小时，平均只有n/m个键需要重新映射，其中n是键的数量，m是槽的数量。相比之下，在大多数传统哈希表中，数组槽数量的变化会导致几乎所有键都要重新映射，因为键和槽之间的映射是由模块化操作定义的。
1.1 如何理解键的重映射
背景：分库分表的场景下，有一张逻辑表example_table，在物理上被拆分为四张表example_table_0、example_table_1、example_table_2、example_table_3，路由逻辑为对user_id计算哈希值并余上物理表的数量。
假设使用如下代码来计算四个userId的哈希值及所属节点（物理表）：
public static void main(String[] args) {
List<Integer> userIds = new ArrayList<>();
userIds.add(89999442);
userIds.add(987446272);
userIds.add(763889234);
userIds.add(847462221);
userIds.forEach(userId -> {
int hash = userId.hashCode();
hash = Optional.of(hash)
.filter(h -> h > 0)
.orElse(-hash);
System.out.println("userId: " + userId + " , hash is: " + hash + " , routing to physical table example_table_" + hash % 4);
});
}
能得出如下键值关系：
| 键 | 哈希值 | 节点编号 | 命中的物理表 |
|---|---|---|---|
| 89999442 | 89999442 | 2 | example_table_2 |
| 987446272 | 987446272 | 0 | example_table_0 |
| 763889234 | 763889234 | 2 | example_table_2 |
| 847462221 | 847462221 | 1 | example_table_1 |
这是四个节点的场景，而如果由于业务原因，四张表要扩为6张，键与节点的映射关系要重新计算，%4变成%6，得到以下结果：
| 键 | 哈希值 | 节点编号 | 命中的物理表 |
|---|---|---|---|
| 89999442 | 89999442 | 2 -> 0 | example_table_0 |
| 987446272 | 987446272 | 0 -> 4 | example_table_4 |
| 763889234 | 763889234 | 2 -> 2 | example_table_2 |
| 847462221 | 847462221 | 1 -> 3 | example_table_3 |
可以看到，同一个键在节点数发生改变时，映射关系也随着改变，而这就是“键的重映射”。这种问题在不同场景下会产生不同的影响：
- 分库分表：需要扫描所有物理表，计算数据重映射后的所属节点，并迁移数据。影响范围为：所有表下的所有数据。
- 分布式负载均衡：
1.2 应用场景
一致性哈希算法在很多领域都有应用，如分布式缓存领域的Redis，各种RPC框架的客户端负载均衡等。
2. 原理
一致性哈希算法通过一致性哈希环实现，环的起点是0，终点是2^32 - 1，并且起点和终点相连，因此环的分布范围是[0, 2^32 - 1]，如图所示：
将节点放到环上：
将键放到环上：
在寻找键所属的节点时，往顺时针方向找第一个最近的节点即可：
新增节点newNode时，只有key4的数据会移动到newNode，其他键的数据不需要变化
删除节点example_table_2后，只有key3的数据会移动到example_table_3，其他键的数据不需要变化
2.1 存在的问题
当节点数量过少时，可能会出现数据倾斜（某些节点没有负载）。一致性哈希通过引入虚拟节点来解决数据倾斜问题，即：把一个Node扩展为一组虚拟Node，这些虚拟Node分布在一致性环的不同位置，但指向同一个实际存在的Node。如下图
虚拟节点解决的问题是：尽可能让节点在一致性哈希环上均匀分布，避免数据倾斜，当然，这是不可能完全规避掉，通常虚拟节点数量越多越均匀，因此实际使用中虚拟节点数量一半会大于32个。
2.2 哈希算法的选择
一致性哈希在将节点以及键映射到哈希环时，需要使用到哈希算法，不同场景下的可能会对应不同选择，如负载均衡场景下需要考虑安全性和性能，而安全性则没那么重要。通常，会有如下可选择的哈希算法：sha-1，md5，crc，lookup3，murmurhash，cityhash，spookyhash。在众多哈希算法中，我做项目比较倾向于使用murmurhash（虽然应该根据具体场景来选择，但够用）：高运算性能，低碰撞率（分布均匀），由Austin Appleby创建于2008年，现已应用到Hadoop、libstdc++、nginx等开源系统中。在Java的实现，Guava的Hashing类里面有，Jedis，Cassandra里都有相关的Utils类。 第一代：
