九张图，带你了解一致性哈希原理
假设我们现在做一个简单的九张图文件缓存服务，由于文件数过多，致性我们先使用3台机器用来存储文件。哈希
为了由文件名(假设文件名称不重复)能得到存储的原理机器，考虑先对文件名做hash运算，九张图接着对3取余，致性得到的哈希余数即为所在机器的编号。
这套系统运行了很久，原理后来文件数量慢慢增多，九张图3台机器存不下了，致性现在我们考虑扩充到4台。哈希
这个时候，原理我们的九张图算法更新为hash(文件名)%5。
那么使用该算法获取abc.txt文件所在的致性缓存机器时，在其hash值为10的哈希时候，将会映射到0号机器上，而之前是存储在1号机器上的，这个时候就会重新将文件存储到0号机器上，或者将1号机器上的文件迁移到0号机器上。
因此，增加了两台机器后，导致了缓存失效。
我们使用代码来大致确定一下缓存失效的比例：
public static void main(String[] args) { //缓存失效计数 int count = 0; //假设一共有10000份文件 for (int i = 0; i < 10000; i++) { //文件名称 String fileName = "file#" + i; int hashCode = fileName.hashCode(); //原来的站群服务器存储位置 int oldSite = hashCode % 3; //增加两台机器后，现在的存储位置 int newSite = hashCode % 5; if (oldSite != newSite) { count++; } } System.out.println(count); }
运行后发现，超过80%的缓存都会失效。
也就是说，无论是增加机器还是减少机器，都会使得缓存大面积的失效，这是我们不愿意见到的结果，那么有没有一种新的算法呢?
一致性哈希算法，就应运而生了。该算法可以使得增减机器时，大幅度减少失效的缓存数量。
首先这里有个圆，你可以看做是从0到2^32-1头尾相连的环。
我们先对一台机器的ip做哈希运算，再对2^32取模，即hash(ip)%2^32，得到了数字肯定在环上。
假设我们使用的哈希算法得到的哈希值返回值是高防服务器int类型，则本身相当于已经取过模。
因此我们标记出三台机器在环上的位置
这个时候，需要将文件映射到环上，使用一样的哈希函数，即hash(文件名)。假设这里有4个文件，我们在环上标记出文件的位置。
那现在怎么确定文件在哪台机器上存储呢?
很简单，从当前文件开始，顺时针找到第一个机器，即为文件的存储位置。
假设这个时候机器2宕机，我们将机器2从环上移除，观察一下文件3的变化
当机器2宕机时，文件3将重新指向机器3。
也就是说，当机器2宕机时，原本映射到机器1与机器2之间位置的文件，将会被重新映射到机器3。
因此，一致性哈希能够大幅度降低缓存失败的范围，不至于“牵一发而动全身”。
不知道大家有没有看出来，在上图中，源码库几台机器在环上的分布比较均匀，这是一种非常理想的情况。
然而现实可能并不是这样，假设3台机器经过映射后，彼此之间非常靠近。
当机器数量特别少的时候，经过映射后，节点在环上分布不均匀，导致大部分文件全部落在同一台机器上，也就是存在数据倾斜问题。
如图所示，4个文件全部存储在了机器1上。倘若有一天，机器1承载不住大量的文件访问挂了，这些文件将会立即转移到机器2上。机器2同样也会承载不住，最后就会造成整个系统的连锁崩溃。
既然问题的根本在于机器数量少，那我们可以增加机器啊!
但机器是一种实际存在的物理资源，不可能说增加就增加，老板也不让啊!
这个时候，我们可以复制现有的物理机器，形成一些虚拟节点，通过以物理节点的ip加上后缀序号来实现。
当虚拟节点以同样的算法映射到环上之后，文件1最终将会落到机器2上。
理论上，虚拟节点越多，越能做到相对的均匀分布。
下面以代码的形式，来验证一下。
public class Main { //真实节点 private static final String[] ipArray = new String[]{ "192.168.1.1", "192.168.1.2", "192.168.1.3", "192.168.1.4"}; //哈希环(哈希值->真实节点ip) private static final TreeMap<Long, String> circle = new TreeMap<>(); //指定倍数初始化哈希环 private static void initCircle(int mul) { //映射真实节点 for (String ip : ipArray) { circle.put(hash(ip), ip); //按照倍数映射虚拟节点 for (int i = 1; i <= mul; i++) { String virtual = ip + "#" + i; circle.put(hash(virtual), ip); } } } //获取指定文件存储的机器ip private static String getIpByFileName(String fileName) { long hash = hash(fileName); Long higherKey = circle.higherKey(hash); if (higherKey == null) { //返回哈希环中的第一个ip return circle.get(circle.firstKey()); } //返回比文件名称的哈希值大的最小ip return circle.get(higherKey); } //统计落在每个节点上的文件总数(ip->文件总数) private static Map<String, Long> count(long fileCount) { //(ip,文件总数) Map<String, Long> map = new HashMap<>(); for (long i = 1; i <= fileCount; i++) { String ip = getIpByFileName("file#" + i); Long ipCount = map.get(ip); map.put(ip, (ipCount == null ? 0 : ipCount) + 1); } return map; } //打印各个ip存储的文件数占总数的百分比 private static void print(int fileCount) { Map<String, Long> map = count(fileCount); for (String ip : ipArray) { Long ipCountL = map.get(ip); long ipCount = ipCountL == null ? 0 : ipCountL; double result = ipCount * 100 / (double) fileCount; //保留一位小数 String format = String.format("%.1f", result); System.out.println(ip + ":" + format + "%"); } } // 32位的 Fowler-Noll-Vo 哈希算法 // https://en.wikipedia.org/wiki/Fowler–Noll–Vo_hash_function private static Long hash(String key) { final int p = 16777619; long hash = 2166136261L; for (int idx = 0, num = key.length(); idx < num; ++idx) { hash = (hash ^ key.charAt(idx)) * p; } hash += hash << 13; hash ^= hash >> 7; hash += hash << 3; hash ^= hash >> 17; hash += hash << 5; if (hash < 0) { hash = Math.abs(hash); } return hash; } public static void main(String[] args) { //初始化哈希环 initCircle(1000000); //文件总数10000个 print(10000); } }当倍数为0时：
192.168.1.1:0.0% 192.168.1.2:0.0% 192.168.1.3:100.0% 192.168.1.4:0.0%相当于没有虚拟节点，可以看到极度不均匀，倾斜严重。
当倍数为100时：
192.168.1.1:28.4% 192.168.1.2:22.4% 192.168.1.3:34.6% 192.168.1.4:14.6%倾斜改善了!但仍然不满足
当倍数为10000时：
192.168.1.1:24.6% 192.168.1.2:25.9% 192.168.1.3:23.3% 192.168.1.4:26.3%基本上算是比较均匀了
大胆点，我们把倍数调到1百万，文件数也调到1百万
192.168.1.1:25.0% 192.168.1.2:24.9% 192.168.1.3:25.0% 192.168.1.4:25.1%可见所有ip下存储的文件总数非常均匀!