一致性哈希(consistenthash)

什么是一致性哈希

在分布式缓存中，假设我们有3台缓存服务器，我们有三万张图片要缓存数据要分配到这三台服务器上，常见的做法就是哈希，用图片名对服务器的个数取模，根据取模结果分配，这样就可以分配的很均匀。但是，如果3台机器不够，要加机器呢？这时候，机器数变了，那么之前key和服务器之间的对应关系就变了，这就意味着你的缓存在一定时间里就失效了。
因此基于传统哈希算法的缺陷，就很危险。于是就有了一致性哈希算法。一致性哈希算法可以保证当机器增加或者减少的时候，节点之间的数据迁移仅限于两个节点之间。

一致性哈希的原理

一致性哈希怎么做呢，他不对机器个数取模，而是对2^32次方取模，它的流程是这样的：
● 一致性哈希算法将整个哈希值空间按照顺时针组成一个换，叫哈希环，（就是一个有2^32个坑的环）
● 对服务器的标识（名字或者地址）做哈希，确定每个服务器在哈希环上的位置。
● 对数据的key做哈希，确定数据在哈希环上的位置，然后顺时针走，第一台遇到的服务器就是它定位到的服务器。
在这个时候，增减机器的时候，只会涉及到一部分数据的重定位，而不是大多数的数据。
优点：
○ 简单对服务器数量取模，增减机器的时候很可能会造成缓存的雪崩。而一致性哈希算法在增减机器的时候，只需重定位环空间一小部分的数据，只有部分缓存失效，具有较好的容错性和可扩展性。

扩展：缓存雪崩
缓存雪崩是指一段时间内缓存中大批量数据过期了，然后一大堆请求打到了后端数据库上，然后数据库扛不住了。

哈希环的倾斜和虚拟节点

当节点较少的时候，很可能出现哈希环的倾斜现象，这个现象是这样的:节点在哈希环上的位置都比较近，那么顺时针来看，第一个节点要负责环上一大部分数据，缓存的对象大部分集中到了一台服务器上，这样还是有可能造成数据不均匀的现象，再严重就是服务器的崩溃。
盗个图：

解决方法：虚拟节点
虚拟节点的本质就是让哈希环上的节点尽可能地多，可以对服务器地标识多次哈希，最终每个机器在换上都有多个节点，这样可以解决倾斜问题。
（后面又看到又chord算法，分布式哈希什么的， 越来越多了，后面还是专门写一篇文章吧）

GroupCache的实现

GroupCache的一致性哈希实现非常地简单，代码总共60多行。
type Hash func(data []byte) uint32

type Map struct {
hash Hash
replicas int
keys []int // Sorted
hashMap map[int]string
}

func New(replicas int, fn Hash) *Map {
m := &Map{
replicas: replicas,
hash: fn,
hashMap: make(map[int]string),
}
if m.hash == nil {
m.hash = crc32.ChecksumIEEE
}
return m
}
首先，定义了Map结构体，里面的hash是哈希函数，默认是go标准库里的crc.32CheckSumIEEE，keys存放排序后的节点的哈希值，hashMap存储哈希值和节点的映射。replicas代表一个服务器在哈希环上有几个节点。
接下来看它的存取过程:
加入：
// Add adds some keys to the hash.
func (m *Map) Add(keys ...string) {
for _, key := range keys {
for i := 0; i < m.replicas; i++ {
hash := int(m.hash([]byte(strconv.Itoa(i) + key)))
m.keys = append(m.keys, hash)
m.hashMap[hash] = key
}
}
sort.Ints(m.keys) // 必须得排序
}
可以看到第二重循环循环了replicas次，将一个服务器哈希多次，然后存到keys这个数组里面进行排序，通过hashMap建立映射。
取出：
// Get gets the closest item in the hash to the provided key.
func (m *Map) Get(key string) string {
if m.IsEmpty() {
return ""
}

hash := int(m.hash([]byte(key)))

// Binary search for appropriate replica.
// 二分查找
idx := sort.Search(len(m.keys), func(i int) bool { return m.keys[i] >= hash })

// Means we have cycled back to the first replica.
if idx == len(m.keys) {
	idx = 0
}

return m.hashMap[m.keys[idx]]

}
查找就是将数据的key做一个哈希，然后根据这个哈希做二分查找，然后找到合适的去hashMap中取节点信息。
我细看了一下sort.Search,这个函数根据传入的函数做判断，会返回第一个判断结果为true的index。所注意这个函数是寻找左边界的二分查找（区间定为左闭右开，然后mid匹配上的时候，将mid-1作为右边界，最后返回左边界）。如果Search查不到符合要求的值，就会返回切片长度。因此上面的会这样写。这也是一个常见的循环数组查找的写法吧。

标签：hash,key,keys,哈希,groupcache,一致性,服务器,节点
来源： https://www.cnblogs.com/yumingkuan/p/16574511.html