分散式一致性演算法（一）一致性雜湊演算法（consistent hashing）
一 基本場景
比如你有 N 個 cache 伺服器（後面簡稱 cache ），那麼如何將一個物件 object 對映到 N 個 cache 上呢，你很可能會採用類似下面的通用方法計算 object 的 hash 值，然後均勻的對映到到 N 個 cache ；
hash(object)%N
一切都執行正常，再考慮如下的兩種情況；
- 1 一個 cache 伺服器 m down 掉了（在實際應用中必須要考慮這種情況），這樣所有對映到 cache m 的物件都會失效，怎麼辦，需要把 cache m 從 cache 中移除，這時候 cache 是 N-1 臺，對映公式變成了
hash(object)%(N-1)；
- 2 由於訪問加重，需要新增 cache ，這時候 cache 是 N+1 臺，對映公式變成了 hash(object)%(N+1) ；
再來考慮第三個問題，由於硬體能力越來越強，你可能想讓後面新增的節點多做點活，顯然上面的 hash 演算法也做不到。
有什麼方法可以改變這個狀況呢，這就是 consistent hashing...
二 一致性雜湊演算法的原理
consistent hashing 是一種 hash 演算法，簡單的說，在移除 / 新增一個 cache 時，它能夠儘可能小的改變已存在 key 對映關係，儘可能的滿足單調性的要求。下面就來按照 5 個步驟簡單講講 consistent hashing 演算法的基本原理。
1. 環形hash 空間
考慮通常的 hash 演算法都是將 value 對映到一個 32 位的 key 值，也即是 0~2^32-1 次方的數值空間；我們可以將這個空間想象成一個首（ 0 ）尾（ 2^32-1 ）相接的圓環，如下面圖 1 所示的那樣。
2 把物件對映到hash 空間
接下來考慮 4 個物件 object1~object4 ，通過 hash 函式計算出的 hash 值 key 在環上的分佈如圖 2 所示。hash(object1) = key1;
… …
hash(object4) = key4;
3 把cache 對映到hash 空間
Consistent hashing 的基本思想就是將物件和 cache 都對映到同一個 hash 數值空間中，並且使用相同的 hash 演算法。
假設當前有 A,B 和 C 共 3 臺 cache ，那麼其對映結果將如圖 3 所示，他們在 hash 空間中，以對應的 hash 值排列。
hash(cache A) = key A;
… …
hash(cache C) = key C;
說到這裡，順便提一下 cache 的 hash 計算，一般的方法可以使用 cache 機器的 IP 地址或者機器名作為 hash 輸入。
4 把物件對映到cache
現在 cache 和物件都已經通過同一個 hash 演算法對映到 hash 數值空間中了，接下來要考慮的就是如何將物件對映到 cache 上面了。在這個環形空間中，如果沿著順時針方向從物件的 key 值出發，直到遇見一個 cache ，那麼就將該物件儲存在這個 cache 上，因為物件和 cache 的 hash 值是固定的，因此這個 cache 必然是唯一和確定的。這樣不就找到了物件和 cache 的對映方法了嗎？！
依然繼續上面的例子（參見圖 3 ），那麼根據上面的方法，物件 object1 將被儲存到 cache A 上； object2 和 object3 對應到 cache C ； object4 對應到 cache B ；
5 考察cache 的變動
前面講過，通過 hash 然後求餘的方法帶來的最大問題就在於不能滿足單調性，當 cache 有所變動時， cache 會失效，進而對後臺伺服器造成巨大的衝擊，現在就來分析分析 consistent hashing 演算法。
5.1 移除 cache
考慮假設 cache B 掛掉了，根據上面講到的對映方法，這時受影響的將僅是那些沿 cache B 逆時針遍歷直到下一個 cache （ cache C ）之間的物件，也即是本來對映到 cache B 上的那些物件。因此這裡僅需要變動物件 object4 ，將其重新對映到 cache C 上即可；參見圖 4 。
5.2 新增 cache
再考慮新增一臺新的 cache D 的情況，假設在這個環形 hash 空間中， cache D 被對映在物件 object2 和 object3 之間。這時受影響的將僅是那些沿 cache D 逆時針遍歷直到下一個 cache （ cache B ）之間的物件（它們是也本來對映到 cache C 上物件的一部分），將這些物件重新對映到 cache D 上即可。因此這裡僅需要變動物件 object2 ，將其重新對映到 cache D 上；參見圖 5 。
三 虛擬節點
平衡性
平衡性是指雜湊的結果能夠儘可能分佈到所有的緩衝中去，這樣可以使得所有的緩衝空間都得到利用。
hash 演算法並不是保證絕對的平衡，如果 cache 較少的話，物件並不能被均勻的對映到 cache 上，比如在上面的例子中，僅部署 cache A 和 cache C 的情況下，在 4 個物件中， cache A 僅儲存了 object1 ，而 cache C 則儲存了 object2 、 object3 和 object4 ；分佈是很不均衡的。
為了解決這種情況， consistent hashing 引入了“虛擬節點”的概念，它可以如下定義：
“虛擬節點”（ virtual node ）是實際節點在 hash 空間的複製品（ replica ），一實際個節點對應了若干個“虛擬節點”，這個對應個數也成為“複製個數”，“虛擬節點”在 hash 空間中以 hash 值排列。
仍以僅部署 cache A 和 cache C 的情況為例，在圖 4 中我們已經看到， cache 分佈並不均勻。現在我們引入虛擬節點，並設定“複製個數”為 2 ，這就意味著一共會存在 4 個“虛擬節點”， cache A1, cache A2 代表了 cache A ； cache C1, cache C2 代表了 cache C ；假設一種比較理想的情況，參見圖 6 。
此時，物件到“虛擬節點”的對映關係為：
objec1->cache A2 ； objec2->cache A1 ； objec3->cache C1 ；
objec4->cache C2 ；
因此物件 object1 和 object2 都被對映到了 cache A 上，而 object3 和 object4 對映到了 cache C 上；平衡性有了很大提高。
引入“虛擬節點”後，對映關係就從 { 物件 -> 節點 } 轉換到了 { 物件 -> 虛擬節點 } 。查詢物體所在 cache 時的對映關係如圖 7 所示。
“虛擬節點”的 hash 計算可以採用對應節點的 IP 地址加數字字尾的方式。例如假設 cache A 的 IP 地址為 202.168.14.241 。引入“虛擬節點”前，計算 cache A 的 hash 值：
Hash(“202.168.14.241”);
引入“虛擬節點”後，計算“虛擬節”點 cache A1 和 cache A2 的 hash 值：
Hash(“202.168.14.241#1”); // cache A1
Hash(“202.168.14.241#2”); // cache A2
四 一致性雜湊演算法
1. Redis在3.0版本的Redis Cluster出現前，並不具備叢集特性，此時的Redis的叢集特性一般使用一致性雜湊演算法實現，在客戶端和服務端均需要進行相關實現。（Redis 叢集沒有使用一致性hash, 而是引入了雜湊槽（也稱為預分桶）的概念。Redis Cluster使用的預分桶的方案介於“硬Hash”和“一致性Hash”之間，犧牲了一定的靈活性，但相比“一致性Hash“，資料的管理成本大大降低）
2. memcached不具備叢集特性，分散式memcached需要使用一致性雜湊演算法實現（此處沒有程式碼，留待後補）。