摘要：一致性哈希算法能盡可能減少了服務(wù)器數(shù)量變化所導(dǎo)致的緩存遷移。哈希算法首先，一致性哈希算法依賴于普通的哈希算法。我們以下面四個(gè)量化的指標(biāo)對(duì)基于不同哈希函數(shù)的一致性哈希算法進(jìn)行評(píng)測。

一致性哈希算法在分布式緩存領(lǐng)域的 MemCached，負(fù)載均衡領(lǐng)域的 Nginx 以及各類 RPC 框架中都有廣泛的應(yīng)用，它主要是為了解決傳統(tǒng)哈希函數(shù)添加哈希表槽位數(shù)后要將關(guān)鍵字重新映射的問題。

本文會(huì)介紹一致性哈希算法的原理及其實(shí)現(xiàn)，并給出其不同哈希函數(shù)實(shí)現(xiàn)的性能數(shù)據(jù)對(duì)比，探討Redis 集群的數(shù)據(jù)分片實(shí)現(xiàn)等，文末會(huì)給出實(shí)現(xiàn)的具體 github 地址。

Memcached 是一個(gè)高性能的分布式緩存系統(tǒng)，然而服務(wù)端沒有分布式功能，各個(gè)服務(wù)器不會(huì)相互通信。它的分布式實(shí)現(xiàn)依賴于客戶端的程序庫，這也是 Memcached 的一大特點(diǎn)。比如第三方的 spymemcached 客戶端就基于一致性哈希算法實(shí)現(xiàn)了其分布式緩存的功能。

其具體步驟如下:

向 Memcached 添加數(shù)據(jù)，首先客戶端的算法根據(jù) key 值計(jì)算出該 key 對(duì)應(yīng)的服務(wù)器。

服務(wù)器選定后，保存緩存數(shù)據(jù)。

獲取數(shù)據(jù)時(shí)，對(duì)于相同的 key ，客戶端的算法可以定位到相同的服務(wù)器，從而獲取數(shù)據(jù)。

在這個(gè)過程中，客戶端的算法首先要保證緩存的數(shù)據(jù)盡量均勻地分布在各個(gè)服務(wù)器上，其次是當(dāng)個(gè)別服務(wù)器下線或者上線時(shí)，會(huì)出現(xiàn)數(shù)據(jù)遷移，應(yīng)該盡量減少需要遷移的數(shù)據(jù)量。

客戶端算法是客戶端分布式緩存性能優(yōu)劣的關(guān)鍵。

普通的哈希表算法一般都是計(jì)算出哈希值后，通過取余操作將 key 值映射到不同的服務(wù)器上，但是當(dāng)服務(wù)器數(shù)量發(fā)生變化時(shí)，取余操作的除數(shù)發(fā)生變化，所有 key 所映射的服務(wù)器幾乎都會(huì)改變，這對(duì)分布式緩存系統(tǒng)來說是不可以接收的。

一致性哈希算法能盡可能減少了服務(wù)器數(shù)量變化所導(dǎo)致的緩存遷移。

首先，一致性哈希算法依賴于普通的哈希算法。大多數(shù)同學(xué)對(duì)哈希算法的理解可能都停留在 JDK 的 hashCode 函數(shù)上。其實(shí)哈希算法有很多種實(shí)現(xiàn)，它們?cè)诓煌矫娑几饔袃?yōu)劣，針對(duì)不同的場景可以使用不同的哈希算法實(shí)現(xiàn)。

下面，我們會(huì)介紹一下幾款比較常見的哈希算法，并且了解一下它們?cè)诜植季鶆虺潭龋Ｅ鲎哺怕屎托阅艿确矫娴膬?yōu)劣。

MD5 算法：全稱為 Message-Digest Algorithm 5，用于確保信息傳輸完整一致。是計(jì)算機(jī)廣泛使用的雜湊算法之一，主流編程語言普遍已有 MD5 實(shí)現(xiàn)。MD5 的作用是把大容量信息壓縮成一種保密的格式（就是把一個(gè)任意長度的字節(jié)串變換成定長的16進(jìn)制數(shù)字串）。常見的文件完整性校驗(yàn)就是使用 MD5。

CRC 算法：全稱為 CyclicRedundancyCheck，中文名稱為循環(huán)冗余校驗(yàn)。它是一類重要的，編碼和解碼方法簡單，檢錯(cuò)和糾錯(cuò)能力強(qiáng)的哈希算法，在通信領(lǐng)域廣泛地用于實(shí)現(xiàn)差錯(cuò)控制。

MurmurHash 算法：高運(yùn)算性能，低碰撞率，由 Austin Appleby 創(chuàng)建于 2008 年，現(xiàn)已應(yīng)用到 Hadoop、libstdc++、nginx、libmemcached 等開源系統(tǒng)。Java 界中 Redis，Memcached，Cassandra，HBase，Lucene和Guava 都在使用它。

FNV 算法：全稱為 Fowler-Noll-Vo 算法，是以三位發(fā)明人 Glenn Fowler，Landon Curt Noll，Phong Vo 的名字來命名的，最早在 1991 年提出。 FNV 能快速 hash 大量數(shù)據(jù)并保持較小的沖突率，它的高度分散使它適用于 hash 一些非常相近的字符串，比如 URL，hostname，文件名，text 和 IP 地址等。

Ketama 算法：一致性哈希算法的實(shí)現(xiàn)之一，其他的哈希算法有通用的一致性哈希算法實(shí)現(xiàn)，只不過是替換了哈希映射函數(shù)而已，但 Ketama 是一整套的流程，我們將在后面介紹。

下面，我們以分布式緩存場景為例，分析一下一致性哈希算法環(huán)的原理。

首先將緩存服務(wù)器（ ip + 端口號(hào)）進(jìn)行哈希，映射成環(huán)上的一個(gè)節(jié)點(diǎn)，計(jì)算出緩存數(shù)據(jù) key 值的 hash key，同樣映射到環(huán)上，并順時(shí)針選取最近的一個(gè)服務(wù)器節(jié)點(diǎn)作為該緩存應(yīng)該存儲(chǔ)的服務(wù)器。具體實(shí)現(xiàn)見后續(xù)的章節(jié)。

比如說，當(dāng)存在 A，B，C，D 四個(gè)緩存服務(wù)器時(shí)，它們及其 key 值為1的緩存數(shù)據(jù)在一致性哈希環(huán)上的位置如下圖所示，根據(jù)順時(shí)針取最近一個(gè)服務(wù)器節(jié)點(diǎn)的規(guī)則，該緩存數(shù)據(jù)應(yīng)該存儲(chǔ)在服務(wù)器 B 上。

當(dāng)要存儲(chǔ)一個(gè) key 值為4的緩存數(shù)據(jù)時(shí)，它在一致性哈希環(huán)上的位置如下所示，所以它應(yīng)該存儲(chǔ)在服務(wù)器 C 上。

類似的，key 值為5，6的數(shù)據(jù)應(yīng)該存在服務(wù) D 上，key 值為7，8的數(shù)據(jù)應(yīng)該存儲(chǔ)在服務(wù) A 上。

此時(shí)，服務(wù)器 B 宕機(jī)下線，服務(wù)器 B 中存儲(chǔ)的緩存數(shù)據(jù)要進(jìn)行遷移，但由于一致性哈希環(huán)的存在，只需要遷移key 值為1的數(shù)據(jù)，其他的數(shù)據(jù)的存儲(chǔ)服務(wù)器不會(huì)發(fā)生變化。這也是一致性哈希算法比取余映射算法出色的地方。

由于服務(wù)器 B 下線，key 值為1的數(shù)據(jù)順時(shí)針最近的服務(wù)器是 C ，所以數(shù)據(jù)存遷移到服務(wù)器 C 上。

現(xiàn)實(shí)情況下，服務(wù)器在一致性哈希環(huán)上的位置不可能分布的這么均勻，導(dǎo)致了每個(gè)節(jié)點(diǎn)實(shí)際占據(jù)環(huán)上的區(qū)間大小不一。

這種情況下，可以增加虛節(jié)點(diǎn)來解決。通過增加虛節(jié)點(diǎn)，使得每個(gè)節(jié)點(diǎn)在環(huán)上所“管轄”的區(qū)域更加均勻。這樣就既保證了在節(jié)點(diǎn)變化時(shí)，盡可能小的影響數(shù)據(jù)分布的變化，而同時(shí)又保證了數(shù)據(jù)分布的均勻。

下面我們實(shí)現(xiàn) Memcached 分布式緩存場景下的一致性哈希算法，并給出具體的測試性能數(shù)據(jù)。該實(shí)現(xiàn)借鑒了 kiritomoe 博文中的實(shí)現(xiàn)和 spymemcached 客戶端代碼。具體實(shí)現(xiàn)請(qǐng)看我的github，地址為 https://github.com/ztelur/con...。

NodeLocator 是分布式緩存場景下一致性哈希算法的抽象，它有一個(gè) getPrimary 函數(shù)，接收一個(gè)緩存數(shù)據(jù)的 key 值，輸出存儲(chǔ)該緩存數(shù)據(jù)的服務(wù)器實(shí)例。

public interface NodeLocator {
    MemcachedNode getPrimary(String k);
}

下面是通用的一致性哈希算法的實(shí)現(xiàn)，它使用 TreeMap 作為一致性哈希環(huán)的數(shù)據(jù)結(jié)構(gòu)，其 ceilingEntry 函數(shù)可以獲取環(huán)上最近的一個(gè)節(jié)點(diǎn)。buildConsistentHashRing 函數(shù)中包含了構(gòu)建一致性哈希環(huán)的過程，默認(rèn)加入了 12 個(gè)虛擬節(jié)點(diǎn)。

public class ConsistentHashNodeLocator implements NodeLocator {
    private final static int VIRTUAL_NODE_SIZE = 12;
    private final static String VIRTUAL_NODE_SUFFIX = "-";

    private volatile TreeMap hashRing;
    private final HashAlgorithm hashAlg;

    public ConsistentHashNodeLocator(List nodes, HashAlgorithm hashAlg) {
        this.hashAlg = hashAlg;
        this.hashRing = buildConsistentHashRing(hashAlg, nodes);
    }


    @Override
    public MemcachedNode getPrimary(String k) {
        long hash = hashAlg.hash(k);
        return getNodeForKey(hashRing, hash);
    }

    private MemcachedNode getNodeForKey(TreeMap hashRing, long hash) {
        /* 向右找到第一個(gè)key */
        Map.Entry locatedNode = hashRing.ceilingEntry(hash);
        /* 想象成為一個(gè)環(huán)，超出尾部取出第一個(gè) */
        if (locatedNode == null) {
            locatedNode = hashRing.firstEntry();
        }
        return locatedNode.getValue();
    }

    private TreeMap buildConsistentHashRing(HashAlgorithm hashAlgorithm, List nodes) {
        TreeMap virtualNodeRing = new TreeMap<>();
        for (MemcachedNode node : nodes) {
            for (int i = 0; i < VIRTUAL_NODE_SIZE; i++) {
                // 新增虛擬節(jié)點(diǎn)的方式如果有影響，也可以抽象出一個(gè)由物理節(jié)點(diǎn)擴(kuò)展虛擬節(jié)點(diǎn)的類
                virtualNodeRing.put(hashAlgorithm.hash(node.getSocketAddress().toString() + VIRTUAL_NODE_SUFFIX + i), node);
            }
        }
        return virtualNodeRing;
    }
}

在 getPrimary 函數(shù)中，首先使用 HashAlgorithm 計(jì)算出 key 值對(duì)應(yīng)的哈希值，然后調(diào)用 getNodeForKey 函數(shù)從 TreeMap 中獲取對(duì)應(yīng)的最近的服務(wù)器節(jié)點(diǎn)實(shí)例。

HashAlgorithm 是對(duì)哈希算法的抽象，一致性哈希算法可以使用各種普通的哈希算法，比如說 CRC ，MurmurHash 和 FNV 等。下面，我們將會(huì)對(duì)比各種哈希算法給該實(shí)現(xiàn)帶來的性能差異性。

測試數(shù)據(jù)是評(píng)價(jià)一個(gè)算法好壞的最為真實(shí)有效的方法，量化的思維模式一定要有，這也是程序員進(jìn)階的法寶之一。我們以下面四個(gè)量化的指標(biāo)對(duì)基于不同哈希函數(shù)的一致性哈希算法進(jìn)行評(píng)測。

統(tǒng)計(jì)每個(gè)服務(wù)器節(jié)點(diǎn)存儲(chǔ)的緩存數(shù)量，計(jì)算方差和標(biāo)準(zhǔn)差。測量緩存分布均勻情況，我們可以模擬 50000個(gè)緩存數(shù)據(jù)，分配到100 個(gè)服務(wù)器，測試最后個(gè)節(jié)點(diǎn)存儲(chǔ)緩存數(shù)據(jù)量的方差和標(biāo)準(zhǔn)差。

隨機(jī)下線10%的服務(wù)器，重新分配緩存，統(tǒng)計(jì)緩存遷移比率。測量節(jié)點(diǎn)上下線的情況，我們可以模擬 50000 個(gè)緩存數(shù)據(jù)，分配到100 個(gè)指定服務(wù)器，之后隨機(jī)下線 10 個(gè)服務(wù)器并重新分配這50000個(gè)數(shù)據(jù)，統(tǒng)計(jì)緩存分配到不同服務(wù)器的比例，也就是遷移比率。

使用JMH對(duì)不同哈希算法的執(zhí)行效率進(jìn)行對(duì)比。

具體評(píng)測算法如下。

public class NodeLocatorTest {

    /**
     * 測試分布的離散情況
     */
    @Test
    public void testDistribution() {
        List servers = new ArrayList<>();
        for (String ip : ips) {
            servers.add(new MemcachedNode(new InetSocketAddress(ip, 8080)));
        }
        // 使用不同的DefaultHashAlgorithm進(jìn)行測試，得出不同的數(shù)據(jù)
        NodeLocator nodeLocator = new ConsistentHashNodeLocator(servers, DefaultHashAlgorithm.NATIVE_HASH);
        // 構(gòu)造 50000 隨機(jī)請(qǐng)求
        List keys = new ArrayList<>();
        for (int i = 0; i < 50000; i++) {
            keys.add(UUID.randomUUID().toString());
        }
        // 統(tǒng)計(jì)分布
        AtomicLongMap atomicLongMap = AtomicLongMap.create();
        for (MemcachedNode server : servers) {
            atomicLongMap.put(server, 0);
        }
        for (String key : keys) {
            MemcachedNode node = nodeLocator.getPrimary(key);
            atomicLongMap.getAndIncrement(node);
        }
        System.out.println(StatisticsUtil.variance(atomicLongMap.asMap().values().toArray(new Long[]{})));
        System.out.println(StatisticsUtil.standardDeviation(atomicLongMap.asMap().values().toArray(new Long[]{})));

    }

    /**
     * 測試節(jié)點(diǎn)新增刪除后的變化程度
     */
    @Test
    public void testNodeAddAndRemove() {
        List servers = new ArrayList<>();
        for (String ip : ips) {
            servers.add(new MemcachedNode(new InetSocketAddress(ip, 8080)));
        }
        //隨機(jī)下線10個(gè)服務(wù)器, 先shuffle，然后選擇0到90，簡單模仿隨機(jī)計(jì)算。
        Collections.shuffle(servers);
        List serverChanged = servers.subList(0, 90);
        NodeLocator loadBalance = new ConsistentHashNodeLocator(servers, DefaultHashAlgorithm.NATIVE_HASH);
        NodeLocator changedLoadBalance = new ConsistentHashNodeLocator(serverChanged, DefaultHashAlgorithm.NATIVE_HASH);

        // 構(gòu)造 50000 隨機(jī)請(qǐng)求
        List keys = new ArrayList<>();
        for (int i = 0; i < 50000; i++) {
            keys.add(UUID.randomUUID().toString());
        }
        int count = 0;
        for (String invocation : keys) {
            MemcachedNode origin = loadBalance.getPrimary(invocation);
            MemcachedNode changed = changedLoadBalance.getPrimary(invocation);
           // 統(tǒng)計(jì)發(fā)生變化的數(shù)值
            if (!origin.getSocketAddress().equals(changed.getSocketAddress())) count++;
        }
        System.out.println(count / 50000D);
    }
    static String[] ips = {...};
}

JMH的測試腳本如下所示。

@BenchmarkMode(Mode.AverageTime)
@OutputTimeUnit(TimeUnit.MICROSECONDS)
@State(Scope.Thread)
public class JMHBenchmark {

    private NodeLocator nodeLocator;
    private List keys;

    @Benchmark
    public void test() {
        for (String key : keys) {
            MemcachedNode node = nodeLocator.getPrimary(key);
        }
    }

    public static void main(String[] args) throws RunnerException {
        Options opt = new OptionsBuilder()
                .include(JMHBenchmark.class.getSimpleName())
                .forks(1)
                .warmupIterations(5)
                .measurementIterations(5)
                .build();
        new Runner(opt).run();
    }

    @Setup
    public void prepare() {
        List servers = new ArrayList<>();
        for (String ip : ips) {
            servers.add(new MemcachedNode(new InetSocketAddress(ip, 8080)));
        }
        nodeLocator = new ConsistentHashNodeLocator(servers, DefaultHashAlgorithm.MURMUR_HASH);
        // 構(gòu)造 50000 隨機(jī)請(qǐng)求
        keys = new ArrayList<>();
        for (int i = 0; i < 50000; i++) {
            keys.add(UUID.randomUUID().toString());
        }
    }

    @TearDown
    public void shutdown() {
    }
    static String[] ips = {...};
}

分別測試了 JDK 哈希算法，F(xiàn)NV132 算法，CRC 算法，MurmurHash 算法和Ketama 算法，分別對(duì)應(yīng) DefaultHashAlgorithm 的 NATIVE_HASH，FNV1_32_HASH，CRC_HASH，MURMUR_HASH 和 KETAMA_HASH 。具體數(shù)據(jù)如下所示。

有些文章說，Redis 集群并沒有使用一致性哈希算法，而是使用虛擬槽分區(qū)算法。但是外網(wǎng)（地址見文末）上都說 Redis 使用的虛擬槽分區(qū)只是一致性哈希算法的變種，虛擬槽可以允許 Redis 動(dòng)態(tài)擴(kuò)容。

或許只有去了解一下Redis的源碼才能對(duì)這個(gè)問題作出準(zhǔn)確的回答。請(qǐng)了解的同學(xué)積極留言解答，謝謝。

github 地址： https://github.com/ztelur/con...
redis分布式討論的地址： https://www.reddit.com/r/redi...

https://jistol.github.io/soft...

https://mp.weixin.qq.com/s/oe...