一致性哈希算法

一致性哈希算法英文Consistent Hashing，由麻省理工学院在1997年提出的一种分布式哈希（DHT）实现算法。

设计目标是为了解决因特网中的热点问题，初衷和CARP十分类似。

一致性哈希修正了CARP使用的简单哈希算法带来的问题，使得分布式哈希可以在P2P环境中真正得到应用。

在分布式集群中，对机器的添加、删除，或者机器故障后自动脱离集群操作，是分布式集群管理最基本的功能。

如果采用常用的hash(object)%N算法，那么在有机器添加或者删除后，很多原有的数据就无法找到了。

接下来主要讲解一致性哈希算法的设计实现。

1 环形Hash空间

首先，按照常用的hash算法，将对应的key哈希到一个具有2^32次方个桶的空间中。

即0~(2^32)-1的数字空间中。

将这些数字头尾相连，想象成一个闭合的环形。

如下图：

2 放入数据

然后，把数据通过一定的hash算法处理后映射到环上。

例如，现在我们将object1、object2、object3、object4四个对象，

通过特定的Hash函数计算出对应的key值，

Hash(object1) = key1;
Hash(object2) = key2;
Hash(object3) = key3;
Hash(object4) = key4;

然后散列到Hash环上，如下图：

3 放入机器

再将机器通过hash算法映射到同一个环上。

在分布式集群中加入新的机器，原理是：通过使用与对象存储一样的Hash算法将机器也映射到环中。

一般情况下对机器的hash计算是采用机器的IP或者机器唯一的别名作为输入值。

因为与对象存储使用同样的Hash算法，所以插入点与对象不会重叠。

然后以顺时针的方向计算，将所有对象存储到离自己最近的机器中。

假设现在有NODE1、NODE2、NODE3三台机器，通过Hash算法得到对应的KEY值，

Hash(NODE1) = KEY1;
Hash(NODE2) = KEY2;
Hash(NODE3) = KEY3;

映射到环中，示意图如下：

通过上图可以看出，对象与机器处于同一哈希空间中。

然后按顺时针转动对象存储到最近的机器中。

这样，object1存储到了NODE1中，

object3存储到了NODE2中，

object2、object4存储到了NODE3中。

在这样的部署环境中，hash环是不会变更的。

因此，通过算出对象的hash值，就能快速的定位到对应的机器中，找到对象真正的存储位置。

4 机器增删

hash求余算法存在的问题，就是在有机器的添加或者删除之后，会照成大量的对象存储位置失效。

那一致性哈希算法是如何处理的呢。

4.1 机器的删除

以上面的分布为例，如果NODE2出现故障被删除，那么按照顺时针迁移的方法，object3将会被迁移到NODE3中。

这样仅仅是object3的映射位置发生了变化，其它的对象没有任何的改动。

如下图：

4.2 机器的添加

如果往集群中添加一个新的节点NODE4，通过对应的哈希算法得到KEY4，并映射到环中。

如下图：

通过按顺时针迁移的规则，那么object2被迁移到了NODE4中，其它对象还保持这原有的存储位置。

通过对节点的添加和删除的分析，一致性哈希算法避免了大量数据迁移，减小了服务器的的压力，对分布式集群来说是非常合适的，

5 平衡性

hash算法是不保证平衡的，如上面只部署了NODE1和NODE3的情况（NODE2被删除的图）。

object1存储到了NODE1中，而object2、object3、object4都存储到了NODE3中。

这样就照成了非常不平衡的状态。

在一致性哈希算法中，为了尽可能的满足平衡性，其引入了虚拟节点（机器）。

虚拟节点是实际节点在 hash 空间的复制品，在 hash 空间中以hash值排列。

一个实际节点对应了若干个虚拟节点，这个对应个数也成为“复制个数”。

以上面只部署了NODE1和NODE3的情况为例，原本对象在机器上的分布很不均衡。

现在我们以2个副本（复制个数）为例，这样整个hash环中就存在了4个虚拟节点，最后对象映射的关系图如下：

根据上图可知对象的映射关系：

object1 -> NODE1-1
object2 -> NODE1-2
object3 -> NODE3-2
object4 -> NODE3-1

通过虚拟节点的引入，对象的分布就比较均衡了。

那么在实际操作中，正真的对象查询是如何工作的呢？

对象从hash到虚拟节点到实际节点的转换如下图：

虚拟节点的hash计算可以采用对应节点的IP地址加数字后缀的方式。

例如假设NODE1的IP地址为192.168.1.100。引入虚拟节点前，计算 cache A 的 hash 值：

Hash(“192.168.1.100”);

引入虚拟节点后，计算虚拟节点NODE1-1和NODE1-2的hash值：

Hash(“192.168.1.100#1”); // NODE1-1
Hash(“192.168.1.100#2”); // NODE1-2

参考资料：

1. 每天进步一点点——五分钟理解一致性哈希算法(consistent hashing)