有時候由於資料量太大，乙個資料庫的容量不能滿足我們的需求如下圖，我們想將一批資料放入到8個資料庫中。可以將資料id跟8做求模運算，根據得到的值選擇對應的資料庫，這樣讀寫都可以這樣選擇乙個資料庫操作（有時候不一定是根據id或id非數值又或其他原因，一般會使用其hash值來做求模運算）就需要多個資料庫儲存資料，這樣讀寫前我們需要先確定應該操作哪乙個資料庫
存在的問題：擴充套件或收縮乙個節點，其他所有節點都受影響
如果8個資料庫不夠用了或者業務量減少需要縮減機器，所有資料都需要重新計算並遷移
因為乙個數值跟8求模和7或9的結果肯定不一樣
所以就出現了一致性hash演算法
如下圖，我們設定乙個0~99範圍的環（hash環），a、b、c三個資料庫對應的位置分別是20、40、70
我們要讀寫是資料id的hash值跟100求模，大於等於20且小於40的操作a資料庫，大於等於40且小於70的操作b資料庫，大於等於70或小於20的操作c資料庫
這樣如果再加乙個資料庫d到a、c中間，只需將c資料庫中間的部分資料遷移就可以
同理如果移除b資料庫，只需將b資料庫中資料全部遷移到a資料庫即可
這樣擴充套件或收縮乙個節點時受影響的節點只有乙個（需要額外維護節點對應hash環範圍）
ps:一般hash環範圍是0 ~ 232-1，因為ip的最大範圍是0 ~ 232-1
存在的問題：資料傾斜
如上圖，一般我們是將a、b、c隨機均勻分配到hash環上，但是有可能出現極端情況資料id的hash值求模後大部分集中在某一段範圍，比如a和b中間，那麼可能會造成b資料庫超負荷，而a和c資料庫使用的卻非常少
為解決資料傾斜問題，我們可以在hash環上增加虛擬節點
比如我們增加a1、a2、b1、b2、c1、c2隨機均勻分布在hash環上
演算法不變，只是虛擬節點分別對映到對應的真實節點，理論上虛擬節點越多越可以避免資料傾斜問題
一致性hash演算法 面試必備 一致性hash演算法
最近公司在招人，我們準備的問題中有一道是關於一致性hash演算法的問題，只有一些面試者能夠回答上來，而且答的也不是很全面，有的面試者只是聽說過，有的連聽都沒聽過，下面我把一致性hash演算法整理一下分享給大家 一致性雜湊演算法在1997年由麻省理工學院的karger等人在解決分布式cache中提出的...
一致性hash演算法虛擬節點 一致性hash演算法
hash 演算法也叫做雜湊演算法，他可以讓任意長度的資料m對映成為長度固定的值h。hash演算法的第乙個作用就是資料的快速儲存與查詢。寫過程式的人都知道，基本上主流的程式語言裡面都有個資料結構叫做map dictionary或者 hash table 它是根據key來直接訪問結果的資料結構。key的...
一致性Hash演算法原理白話
1 技術背景 1.1 技術舉例 memcache 1.2 技術瓶頸 memcached伺服器端本身不提供分布式cache的一致性，由客戶端實現提供。以餘數分布式演算法為例。餘數分布式演算法是根據新增進入快取時key的hash值通過特定的演算法得出餘數，然後根據餘數對映到關聯的快取伺服器，將該key ...