?

在大型web應用中，緩存可算是當今的一個標準開發(fā)配置了。在大規(guī)模的緩存應用中，應運而生了分布式緩存系統(tǒng)。分布式緩存系統(tǒng)的基本原理，大家也有所耳聞。key-value如何均勻的分散到集群中？說到此，最常規(guī)的方式莫過于hash取模的方式。比如集群中可用機器適量為N，那么key值為K的的數(shù)據(jù)請求很簡單的應該路由到hash(K) mod N對應的機器。的確，這種結(jié)構(gòu)是簡單的，也是實用的。但是在一些高速發(fā)展的web系統(tǒng)中，這樣的解決方案仍有些缺陷。隨著系統(tǒng)訪問壓力的增長，緩存系統(tǒng)不得不通過增加機器節(jié)點的方式提高集群的相應速度和數(shù)據(jù)承載量。增加機器意味著按照hash取模的方式，在增加機器節(jié)點的這一時刻，大量的緩存命不中，緩存數(shù)據(jù)需要重新建立，甚至是進行整體的緩存數(shù)據(jù)遷移，瞬間會給DB帶來極高的系統(tǒng)負載，設置導致DB服務器宕機。 那么就沒有辦法解決hash取模的方式帶來的詬病嗎？看下文。

一致性哈希（Consistent Hashing）：

????? 選擇具體的機器節(jié)點不在只依賴需要緩存數(shù)據(jù)的key的hash本身了，而是機器節(jié)點本身也進行了hash運算。

（1） hash機器節(jié)點

首先求出機器節(jié)點的hash值（怎么算機器節(jié)點的hash？ip可以作為hash的參數(shù)吧。。當然還有其他的方法了），然后將其分布到0～2^32的一個圓環(huán)上（順時針分布）。如下圖所示：

?

集群中有機器：A , B, C, D, E五臺機器，通過一定的hash算法我們將其分布到如上圖所示的環(huán)上。

（2）訪問方式

如果有一個寫入緩存的請求，其中Key值為K，計算器hash值Hash(K)， Hash(K) 對應于圖 – 1環(huán)中的某一個點，如果該點對應沒有映射到具體的某一個機器節(jié)點，那么順時針查找，直到第一次找到有映射機器的節(jié)點，該節(jié)點就是確定的目標節(jié)點，如果超過了2^32仍然找不到節(jié)點，則命中第一個機器節(jié)點。比如 Hash(K) 的值介于A~B之間，那么命中的機器節(jié)點應該是B節(jié)點（如上圖 ）。

（3）增加節(jié)點的處理

如上圖 – 1，在原有集群的基礎上欲增加一臺機器F，增加過程如下：

計算機器節(jié)點的Hash值，將機器映射到環(huán)中的一個節(jié)點，如下圖：

?

增加機器節(jié)點F之后，訪問策略不改變，依然按照（2）中的方式訪問，此時緩存命不中的情況依然不可避免，不能命中的數(shù)據(jù)是hash(K)在增加節(jié)點以前落在C～F之間的數(shù)據(jù)。盡管依然存在節(jié)點增加帶來的命中問題，但是比較傳統(tǒng)的 hash取模的方式，一致性hash已經(jīng)將不命中的數(shù)據(jù)降到了最低。

?

Consistent Hashing最大限度地抑制了hash鍵的重新分布。另外要取得比較好的負載均衡的效果，往往在服務器數(shù)量比較少的時候需要增加虛擬節(jié)點來保證服務器能均勻的分布在圓環(huán)上。因為使用一般的hash方法，服務器的映射地點的分布非常不均勻。使用虛擬節(jié)點的思想，為每個物理節(jié)點（服務器）在圓上分配100～200個點。這樣就能抑制分布不均勻，最大限度地減小服務器增減時的緩存重新分布。用戶數(shù)據(jù)映射在虛擬節(jié)點上，就表示用戶數(shù)據(jù)真正存儲位置是在該虛擬節(jié)點代表的實際物理服務器上。
下面有一個圖描述了需要為每臺物理服務器增加的虛擬節(jié)點。

??

x軸表示的是需要為每臺物理服務器擴展的虛擬節(jié)點倍數(shù)(scale)，y軸是實際物理服務器數(shù)，可以看出，當物理服務器的數(shù)量很小時，需要更大的虛擬節(jié)點，反之則需要更少的節(jié)點，從圖上可以看出，在物理服務器有10臺時，差不多需要為每臺服務器增加100~200個虛擬節(jié)點才能達到真正的負載均衡。

總結(jié)

以上是生活随笔為你收集整理的一致性哈希(Consistent Hashing)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。