網際網路分布式系統中，很多服務是資料儲存相關的，海量訪問量下，直接訪問儲存介質是抗不住的，需要使用cache，cache集群的負載均衡演算法就成為乙個重要的話題，這裡對現有的負載均衡演算法進行一些總結。
btw：雖然是cache負載均衡演算法小結，其實可以說是負載均衡演算法小結，只是針對cache應用場景罷了。
負載均衡演算法主要有：
static演算法
random演算法
round robin演算法
hash演算法
carp演算法
consistent hash演算法
static演算法
負載均衡的石器時代，為乙個服務指定多個ip:port，
備份模式，其總是返回伺服器組的第乙個伺服器（只要第乙個伺服器可用），當第乙個伺服器沒有用的時候，才會返回後續可用的伺服器。
這種情況下，每台機器都包括全量的資料，查詢通常會落到第一台機器上，第一台機器上cache命中率高，但是當失敗的時候，落到第二胎機器上，那就杯具了，cache命中率那個低啊！！！
random演算法
地球人都知道的演算法，對於無狀態服務比較適用，隨便選取一台機器就可以。
idx=rand()%m
在實際使用中，跟static演算法一樣，都是模組維護全量資料，這個還好每台機器的cache命中率理論上應該差不多，但是都不高，為啥呢？因為同樣乙個請求一會落到機器a，一會落到機器b上。敗家子啊，浪費記憶體啊，記憶體有限，cache會被淘汰，頻繁淘汰，當然使得命中率低下啊。
round robin演算法
典型的平均主義，吃大鍋飯的，皇帝輪流做啊，順序依次選取伺服器。
idx=(idx+1)%m
同樣的模組維護全量資料，跟random一樣杯具，基本上一樣的原因。相同的請求會被落到不同的機器上，導致cache命中率低。
hash演算法
又叫取餘演算法，將query key做hash之後，按照機器數量取餘，選取中乙個機器進行連線服務。
idx=hash(query_key)%m
餘數計算的方法簡單，資料的分散性也相當優秀，但也有其缺點。那就是當新增或移除伺服器時，快取重組的代價相當巨大。新增伺服器後，餘數就會產生巨變，這樣就無法獲取與儲存時相同的伺服器，從而影響快取的命中率。
carp演算法
carp準確的說不是乙個演算法，而是乙個協議，cache array routing protocol，cache群組路由協議。
計算全部伺服器的idx_key=hash(query_key+server_idx)，其中計算得到idx_key最大的server_idx就是需要的idx。
假設開始3台後端伺服器，請求用標誌串 req = "abcd" 來標誌，伺服器用 s1, s2, s3來標誌， 那麼，通過對 req + sx 合併起來計算簽名就可以對每個伺服器得到乙個數值：
(req = "abcd" + s1) = k1
(req = "abcd" + s2) = k2
(req = "abcd" + s3) = k3
計算的方法可以使用crc，也可以使用md5，目的的得到乙個*雜湊*的數字，這樣在k1,k2,k3中 必定有乙個最大的數值，假設是k2，那麼可以將請求req扔給s2，這樣，以後對相同的請求， 相同的伺服器組，計算出來的結果必定是k2最大，從而達到hash分布的效果。
巧妙的地方在於，新增或者刪除一台伺服器的時候，不會引起已有伺服器的cache大規模失效， 假設新增一台伺服器s4，那麼對s1,s2,s3計算的k值都完全相同，那麼對s4可以計算得到乙個新值k4，如果計算k的演算法足夠雜湊，那麼原先計算到s1,s2,s3的請求，理論上都會有1/4的請求新計算得到的k4比原先的k大， 那麼這1/4的請求會轉移到s4，從而新增的s4伺服器會負擔1/4的請求，原先的s1,s2,s3也只會負擔原先的3/4。
consistent hash演算法
一致性hash演算法是：首先求出伺服器（節點）的雜湊值，並將其配置到0～2^32的圓（continuum）上。然後用同樣的方法求出儲存資料的鍵的雜湊值，並對映到圓上。然後從資料對映到的位置開始順時針查詢，將資料儲存到找到的第乙個伺服器上。如果超過2^32仍然找不到伺服器，就會儲存到第一台伺服器上。
idx=firstmaxserveridx(hash(query_key))
新增節點的時候：
consistent hash演算法背後最基礎的思想就是：對object和cache machine使用相同的hash函式【dht演算法的核心啊，p2p的理論基石啊，資源和位址節點在統一位址空間進行編址】。consistent hash適用於每個節點只儲存部分資料，而不是像前面幾種演算法，每個節點儲存全量資料。這樣做的好處是能夠把cache機器對映到一段interval上，而這段interval就會包含一定數目的物件的hash值。如果某台cache機器被移除了，那麼它對映到的interval被和它相鄰的乙個cache機器託管，其他所有的cache機器都不用變。
一致性雜湊演算法最大程度的避免了key在服務節點列表上的重新分布，其他附帶的改進就是有的一致性 雜湊演算法還增加了虛擬服務節點的方法，也就是乙個服務節點在環上有多個對映點，這樣就能抑制分布不均勻，最大限度地減小服務節點增減時的快取重新分布。
負載均衡演算法小結
網際網路分布式系統中，很多服務是資料儲存相關的，海量訪問量下，直接訪問儲存介質是抗不住的，需要使用cache，cache集群的負載均衡演算法就成為乙個重要的話題，這裡對現有的負載均衡演算法進行一些總結。btw 雖然是cache負載均衡演算法小結，其實可以說是負載均衡演算法小結，只是針對cache應用...
負載均衡演算法小結
網際網路分布式系統中，很多服務是資料儲存相關的，海量訪問量下，直接訪問儲存介質是抗不住的，需要使用cache，cache集群的負載均衡演算法就成為乙個重要的話題，這裡對現有的負載均衡演算法進行一些總結。btw 雖然是cache負載均衡演算法小結，其實可以說是負載均衡演算法小結，只是針對cache應用...
負載均衡演算法小結
from 網際網路分布式系統中，很多服務是資料儲存相關的，海量訪問量下，直接訪問儲存介質是抗不住的，需要使用cache，cache集群的負載均衡演算法就成為乙個重要的話題，這裡對現有的負載均衡演算法進行一些總結。btw 雖然是cache負載均衡演算法小結，其實可以說是負載均衡演算法小結，只是針對ca...