一致性哈希的理解与实践
在维基百科中这样定义一致性哈希算法：
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几乎需要对所有关键字进行重新映射。
好吧，初次接触，看不懂，我们从传统的哈希算法开始讲起。
传统哈希算法
随着业务的发展，数据量的提升，我们需要增加服务器节点。对于客户端发来的请求，我们首先通过一个Proxy层，由Proxy层处理来自客户端的读写请求，接收到读写请求后，通过对 Key 做哈希找到对应的节点。如下图所示：
通过哈希算法，每个 key 都可以寻址到对应的服务器，假设客户端发过来的请求是 key-01，计算公式为 hash(key-01) % 3 ，经过计算寻址到了编号为 1 的服务器节点 A，如下图所示。
但如果服务器数量发生变化，基于新的服务器数量来执行哈希算法的时候，就会出现路由寻址失败的情况，Proxy 无法找到之前寻址到的那个服务器节点，这是为什么呢？想象一下，假如 3 个节点不能满足业务需要了，这时我们增加了一个节点，节点的数量从 3 变化为 4，那么之前的 hash(key-01) % 3 = 1，就变成了 hash(key-01) % 4 = X，因为取模运算发生了变化，所以这个 X 大概率不是 1，这时你再查询，就会找不到数据了，因为 key-01 对应的数据，存储在节点 A 上，而不是节点 B。同样的道理，如果我们需要下线 1 个服务器节点（也就是缩容），也会存在类似的可能查询不到数据的问题。
为了解决这一问题，我们就需要迁移数据，基于新的计算公式 hash(key-01) % 4 ，来重新对数据和节点做映射。需要注意的是，数据的迁移成本是非常高的。通过一个具体的场景进行说明：
假定有1000万条数据，原先存储在3个节点上，如果我们增加1个节点，需要迁移多少数据？
下面通过代码验证:（完整代码在这里）
// 传统的哈希映射
func hash(key int, nodes int) int {
return key % nodes
}
// migrate：需要迁移的数据量
// keys：数据量（1000万）
// nodes：旧集群的节点个数
// newNodes：新集群的节点个数
// migrateRatio：数据迁移率
migrate := 0
for i := 0; i < keys; i++ {
if hash(i, nodes) != hash(i, newNodes) {
migrate++
}
}
migrateRatio := float64(migrate) / float64(keys)
通过执行：
$ go run ./hash.go -keys 10000000 -nodes 3 -new-nodes 4
74.999980%
可以看到，我们需要迁移75%的数据。因为普通的哈希映射强依赖于集群的节点个数，当增加或减少节点个数时，映射关系就会发生动荡的变化，这在生产环境中是不可容忍的。
为了解决这一问题，就引出了一致性哈希算法 。
一致哈希算法
原理：哈希环
一致哈希算法也用了取模运算，但与哈希算法对节点的数量进行取模运算不同，一致哈希算法是对 2^32 进行取模运算。你可以想象下，一致哈希算法，将整个哈希值空间组织成一个虚拟的圆环，也就是哈希环。
在一致哈希中，通过执行哈希算法（为了演示方便，假设哈希算法函数为“c-hash()”），将节点映射到哈希环上 （通常选择节点的主机名、ip地址等作为参数执行 c-hash()），如下图所示：
当需要对指定 key 的值进行读写的时候，你可以通过下面 2 步进行寻址：
- 首先，将 key 作为参数执行 c-hash() 计算哈希值，并确定此 key 在环上的位置；
- 然后，从这个位置沿着哈希环顺时针“行走”，遇到的第一节点就是 key 对应的节点。
这一过程如下图所示：
可以看到，在上图中，key-01 映射到了节点A，key-02 映射到了节点B，key-03 映射到了节点C。如果节点C宕机了，那么根据寻址规则，只需要把key-03重新定位到节点A即可，而key-01，key-02不需要改变。也就是说，一致性哈希算法，在新增/减少节点时，只需要重新定位该节点附近的一小部分数据，而不需要重新定位所有的节点。这样就有效的解决了“增加/减少节点时需要大规模迁移数据”的问题。
问题：数据倾斜
当服务器节点较少时，容易造成节点位置分布不均的情况，从而造成数据倾斜。如下图所示，由于节点分布不均，使得大量的访问请求集中到节点A上，造成缓存节点负载不均衡。这就是数据倾斜问题。
为了解决数据倾斜问题，引入了虚拟节点的概念。
改进：引入虚拟节点
所谓虚拟节点，就是对每一个服务器节点计算多个哈希值，在每个计算结果位置上，都放置一个虚拟节点，并将虚拟节点映射到实际节点。假设1个真实节点对应2个虚拟节点，那么节点A对应的虚拟节点是node-A-01，node-A-02（通常以添加编号的方式实现），其余节点类似。于是就形成了6个虚拟节点，如下图所示：
随由于节点数增多了，分布自然会变得均匀了。当寻址时，计算key的哈希值，在环上顺时针寻找应该选取的虚拟节点，比如key-01选择虚拟节点node-B-02，那么就把该请求映射到真实节点B上。
虚拟节点扩充了节点的数量，解决了节点较少的情况下数据容易倾斜的问题，而且代价非常小，只需要增加一个字典(map)维护真实节点与虚拟节点的映射关系即可。
实现：
参考：