一致性哈希及java实现

1、一致性hash介绍

一致性哈希算法是分布式系统中常用的算法。比如，一个分布式的存储系统，要将数据存储到具体的节点上，如果采用普通的hash方法，将数据映射到具体的节点上，如key%N，key是数据的key，N是机器节点数，如果有一个机器加入或退出这个集群，则所有的数据映射都无效了，如果是持久化存储则要做数据迁移，如果是分布式缓存，则其他缓存就失效了。

    因此，引入了一致性哈希算法：

 

把数据用hash函数（如MD5），映射到一个很大的空间里，如图所示。数据的存储时，先得到一个hash值，对应到这个环中的每个位置，如k1对应到了图中所示的位置，然后沿顺时针找到一个机器节点B，将k1存储到B这个节点中。

如果B节点宕机了，则B上的数据就会落到C节点上，如下图所示：

 

这样，只会影响C节点，对其他的节点A，D的数据不会造成影响。然而，这又会造成一个“雪崩”的情况，即C节点由于承担了B节点的数据，所以C节点的负载会变高，C节点很容易也宕机，这样依次下去，这样造成整个集群都挂了。

       为此，引入了“虚拟节点”的概念：即把想象在这个环上有很多“虚拟节点”，数据的存储是沿着环的顺时针方向找一个虚拟节点，每个虚拟节点都会关联到一个真实节点，如下图所使用：

图中的A1、A2、B1、B2、C1、C2、D1、D2都是虚拟节点，机器A负载存储A1、A2的数据，机器B负载存储B1、B2的数据，机器C负载存储C1、C2的数据。由于这些虚拟节点数量很多，均匀分布，因此不会造成“雪崩”现象。

2、实现原理

web架构中，分布式是个常见的架构设计。尤其是大家比较熟悉的Memcached，或者其他cache产品常常被设计成分布式集群。分布式往往采用hash(key)%n 的方式，但这种算法比较简单，便于实现和理解。但弊端是不能动态增删节点。比较合理的方法改用一致性哈希(consistent hashing)分布。一致性哈希，简单的说在移除 / 添加一个 cache 时，它能够尽可能小的改变已存在 key 映射关系，尽可能的满足单调性的要求。原理不再赘述，google和度娘都能得到答案。重点说一下最常见的实现方式。

 

Java中采用md5散列的方式，计算hash值，这样基本上能保证key散列出啦的hash不会重复。

Java代码  

1. private static long md5HashingAlg(String key) {  
2.     MessageDigest md5 = MD5.get();  
3.     md5.reset();  
4.     md5.update(key.getBytes());  
5.     byte[] bKey = md5.digest();  
6.     long res = ((long) (bKey[3] & 0xFF) << 24) | ((long) (bKey[2] & 0xFF) << 16) | ((long) (bKey[1] & 0xFF) << 8)| (long) (bKey[0] & 0xFF);  
7.     return res;  
8. }  

在对server节点初始化的时候，为了避免节点过少数据分布不均匀，都会初始化一些虚拟节点。具体方法上面计算hash值的方式类同，一把采用根据权重虚拟出来一些key，具体不过多介绍。

一致性哈希算法中，把哈希值想象成一个环状。有关一致性哈希算法，介绍里面说0~2^32-1的数据，不要误以为哈希环要保存2^32个数据。他只是说，哈希环存的key的哈希值范围是0~2^32-1，并不是key的哈希值要覆盖0~2^32-1所有数据。

既要保存hash值，又要保存对应的节点地址，貌似最简单的就是map，在Java中没有什么map可以满足是个环状。那就找一个排序的，0开头，2^32-1做尾。查找时查到尾没有结果，再返回头找这样可以理解为是个环状了。

在初始化的时候，把节点的hash和节点地址保存在TreeMap里，client查找时，根据key的hash值去treeMap得到自己应该查询的节点，往下查找比自己hash值大的，如果有则得到结果返回。如果没有，则回到treeMap的头，取第一个返回结果。

如图中所示：根据key计算出hash，去treeMap查找比key哈希大的那部分，取出第一个值就是结果。如果没有别key哈希大的部分，则取treeMap的第一个值。

代码的实现：

Java代码  

1. private final Long findPointFor(Long hv) {  
2.   
3.         SortedMap<Long, String> tmap = this.consistentBuckets.tailMap(hv);  
4.   
5.         return (tmap.isEmpty()) ? this.consistentBuckets.firstKey() : tmap.firstKey();  
6. }  

3、代码实现

这几天看了几遍一致性哈希的文章，但是都没有比较完整的实现，因此试着实现了一下，这里我就不讲一致性哈希的原理了，网上很多，以一致性哈希用在负载均衡的实例来说，一致性哈希就是先把主机ip从小大到全部放到一个环内，然后客户端ip来连接的时候，把客户端ip连接到大小最接近客户端ip且大于客户端ip的主机。当然，这里的ip一般都是要先hash一下的。我的程序运行结果如下：

    

[java]  view plain copy print ?

1. 添加客户端，一开始有4个主机，分别为s1,s2,s3,s4,每个主机有100个虚拟主机：  
2. 101客户端（hash：-3872430075274208315）连接到主机->s2-192.168.1.2  
3. 102客户端（hash：-6461488502093916753）连接到主机->s1-192.168.1.1  
4. 103客户端（hash：-3272337528088901176）连接到主机->s3-192.168.1.3  
5. 104客户端（hash：7274050343425899995）连接到主机->s2-192.168.1.2  
6. 105客户端（hash：6218187750346216421）连接到主机->s1-192.168.1.1  
7. 106客户端（hash：-8497989778066313989）连接到主机->s2-192.168.1.2  
8. 107客户端（hash：2219601794372203979）连接到主机->s3-192.168.1.3  
9. 108客户端（hash：1903054837754071260）连接到主机->s3-192.168.1.3  
10. 109客户端（hash：-2425484502654523425）连接到主机->s1-192.168.1.1  
11. 删除主机s2-192.168.1.2的变化：  
12. hash(-8497989778066313989)改变到->s4-192.168.1.4  
13. hash(7274050343425899995)改变到->s2-192.168.1.2  
14. hash(-3872430075274208315)改变到->s4-192.168.1.4  
15. hash(7274050343425899995)改变到->s1-192.168.1.1  
16. 增加主机s5-192.168.1.5的变化：  
17. hash(1903054837754071260)改变到->s5-192.168.1.5  
18. hash(1903054837754071260)改变到->s5-192.168.1.5  
19. hash(-3272337528088901176)改变到->s5-192.168.1.5  
20. 最后的客户端到主机的映射为：  
21. hash(-8497989778066313989)连接到主机->s4-192.168.1.4  
22. hash(-6461488502093916753)连接到主机->s1-192.168.1.1  
23. hash(-3872430075274208315)连接到主机->s4-192.168.1.4  
24. hash(-3272337528088901176)连接到主机->s5-192.168.1.5  
25. hash(-2425484502654523425)连接到主机->s1-192.168.1.1  
26. hash(1903054837754071260)连接到主机->s5-192.168.1.5  
27. hash(2219601794372203979)连接到主机->s3-192.168.1.3  
28. hash(6218187750346216421)连接到主机->s1-192.168.1.1  
29. hash(7274050343425899995)连接到主机->s1-192.168.1.1  

看结果可知：一开始添加到9个客户端，连接到主机s1，s2，s3，s4的客户端分别有3，3，3，0个，经过删除主机s2，添加主机s5，最后9个客户端分别连接到主机s1,s2,s3,s4,s5的个数为4，0，１，２，２.这里要说明一下删除主机s2的情况，hash尾号为9995的客户端先连接到s2，再连接到s1，为什么会出现这种情况呢？因为每一个真实主机有ｎ个虚拟主机，删除ｓ２却打印“hash(7274050343425899995)改变到->s2-192.168.1.2”是因为删除了ｓ２的其中一个虚拟主机，跳转到另一个虚拟主机，但还是在ｓ２上，当然，这里是打印中间情况，以便了解，真实的环境是删除了ｓ２后，所有他的虚拟节点都会马上被删除，虚拟节点上的连接也会重新连接到另一个主机的虚拟节点，不会存在这种中间情况。

以下给出所有的实现代码，大家共同学习：

[java]  view plain copy print ?

1. public class Shard<Node> { // S类封装了机器节点的信息 ，如name、password、ip、port等  
2.   
3.     static private TreeMap<Long, Node> nodes; // 虚拟节点到真实节点的映射  
4.     static private TreeMap<Long,Node> treeKey; //key到真实节点的映射  
5.     static private List<Node> shards = new ArrayList<Node>(); // 真实机器节点  
6.     private final int NODE_NUM = 100; // 每个机器节点关联的虚拟节点个数  
7.     boolean flag = false;  
8.       
9.     public Shard(List<Node> shards) {  
10.         super();  
11.         this.shards = shards;  
12.         init();  
13.     }  
14.   
15.     public static void main(String[] args) {  
16. //      System.out.println(hash("w222o1d"));  
17. //      System.out.println(Long.MIN_VALUE);  
18. //      System.out.println(Long.MAX_VALUE);  
19.         Node s1 = new Node("s1", "192.168.1.1");  
20.         Node s2 = new Node("s2", "192.168.1.2");  
21.         Node s3 = new Node("s3", "192.168.1.3");  
22.         Node s4 = new Node("s4", "192.168.1.4");  
23.         Node s5 = new Node("s5","192.168.1.5");  
24.         shards.add(s1);  
25.         shards.add(s2);  
26.         shards.add(s3);  
27.         shards.add(s4);  
28.         Shard<Node> sh = new Shard<Shard.Node>(shards);  
29.         System.out.println("添加客户端，一开始有4个主机，分别为s1,s2,s3,s4,每个主机有100个虚拟主机：");  
30.         sh.keyToNode("101客户端");  
31.         sh.keyToNode("102客户端");  
32.         sh.keyToNode("103客户端");  
33.         sh.keyToNode("104客户端");  
34.         sh.keyToNode("105客户端");  
35.         sh.keyToNode("106客户端");  
36.         sh.keyToNode("107客户端");  
37.         sh.keyToNode("108客户端");  
38.         sh.keyToNode("109客户端");  
39.           
40.         sh.deleteS(s2);  
41.           
42.           
43.         sh.addS(s5);  
44.           
45.         System.out.println("最后的客户端到主机的映射为：");  
46.         printKeyTree();  
47.     }  
48.     public static void printKeyTree(){  
49.         for(Iterator<Long> it = treeKey.keySet().iterator();it.hasNext();){  
50.             Long lo = it.next();  
51.             System.out.println("hash("+lo+")连接到主机->"+treeKey.get(lo));  
52.         }  
53.           
54.     }  
55.       
56.     private void init() { // 初始化一致性hash环  
57.         nodes = new TreeMap<Long, Node>();  
58.         treeKey = new TreeMap<Long, Node>();  
59.         for (int i = 0; i != shards.size(); ++i) { // 每个真实机器节点都需要关联虚拟节点  
60.             final Node shardInfo = shards.get(i);  
61.   
62.             for (int n = 0; n < NODE_NUM; n++)  
63.                 // 一个真实机器节点关联NODE_NUM个虚拟节点  
64.                 nodes.put(hash("SHARD-" + shardInfo.name + "-NODE-" + n), shardInfo);  
65.         }  
66.     }  
67.     //增加一个主机  
68.     private void addS(Node s) {  
69.         System.out.println("增加主机"+s+"的变化：");  
70.         for (int n = 0; n < NODE_NUM; n++)  
71.             addS(hash("SHARD-" + s.name + "-NODE-" + n), s);  
72.   
73.     }  
74.       
75.     //添加一个虚拟节点进环形结构,lg为虚拟节点的hash值  
76.     public void addS(Long lg,Node s){  
77.         SortedMap<Long, Node> tail = nodes.tailMap(lg);  
78.         SortedMap<Long,Node>  head = nodes.headMap(lg);  
79.         Long begin = 0L;  
80.         Long end = 0L;  
81.         SortedMap<Long, Node> between;  
82.         if(head.size()==0){  
83.             between = treeKey.tailMap(nodes.lastKey());  
84.             flag = true;  
85.         }else{  
86.             begin = head.lastKey();  
87.             between = treeKey.subMap(begin, lg);  
88.             flag = false;  
89.         }  
90.         nodes.put(lg, s);  
91.         for(Iterator<Long> it=between.keySet().iterator();it.hasNext();){  
92.             Long lo = it.next();  
93.             if(flag){  
94.                 treeKey.put(lo, nodes.get(lg));  
95.                 System.out.println("hash("+lo+")改变到->"+tail.get(tail.firstKey()));  
96.             }else{  
97.                 treeKey.put(lo, nodes.get(lg));  
98.                 System.out.println("hash("+lo+")改变到->"+tail.get(tail.firstKey()));  
99.             }  
100.         }  
101.     }  
102.       
103.     //删除真实节点是s  
104.     public void deleteS(Node s){  
105.         if(s==null){  
106.             return;  
107.         }  
108.         System.out.println("删除主机"+s+"的变化：");      
109.         for(int i=0;i<NODE_NUM;i++){  
110.             //定位s节点的第i的虚拟节点的位置  
111.             SortedMap<Long, Node> tail = nodes.tailMap(hash("SHARD-" + s.name + "-NODE-" + i));  
112.             SortedMap<Long,Node>  head = nodes.headMap(hash("SHARD-" + s.name + "-NODE-" + i));  
113.             Long begin = 0L;  
114.             Long end = 0L;  
115.               
116.             SortedMap<Long, Node> between;  
117.             if(head.size()==0){  
118.                 between = treeKey.tailMap(nodes.lastKey());  
119.                 end = tail.firstKey();  
120.                 tail.remove(tail.firstKey());  
121.                 nodes.remove(tail.firstKey());//从nodes中删除s节点的第i个虚拟节点  
122.                 flag = true;  
123.             }else{  
124.                 begin = head.lastKey();  
125.                 end = tail.firstKey();  
126.                 tail.remove(tail.firstKey());  
127.                 between = treeKey.subMap(begin, end);//在s节点的第i个虚拟节点的所有key的集合  
128.                 flag = false;  
129.             }  
130.             for(Iterator<Long> it = between.keySet().iterator();it.hasNext();){  
131.                 Long lo  = it.next();  
132.                 if(flag){  
133.                     treeKey.put(lo, tail.get(tail.firstKey()));  
134.                     System.out.println("hash("+lo+")改变到->"+tail.get(tail.firstKey()));  
135.                 }else{  
136.                     treeKey.put(lo, tail.get(tail.firstKey()));  
137.                     System.out.println("hash("+lo+")改变到->"+tail.get(tail.firstKey()));  
138.                 }  
139.             }  
140.         }  
141.           
142.     }  
143.   
144.     //映射key到真实节点  
145.     public void keyToNode(String key){  
146.         SortedMap<Long, Node> tail = nodes.tailMap(hash(key)); // 沿环的顺时针找到一个虚拟节点  
147.         if (tail.size() == 0) {  
148.             return;  
149.         }  
150.         treeKey.put(hash(key), tail.get(tail.firstKey()));  
151.         System.out.println(key+"（hash："+hash(key)+"）连接到主机->"+tail.get(tail.firstKey()));  
152.     }  
153.       
154.     /** 
155.      *  MurMurHash算法，是非加密HASH算法，性能很高， 
156.      *  比传统的CRC32,MD5，SHA-1（这两个算法都是加密HASH算法，复杂度本身就很高，带来的性能上的损害也不可避免） 
157.      *  等HASH算法要快很多，而且据说这个算法的碰撞率很低. 
158.      *  http://murmurhash.googlepages.com/ 
159.      */  
160.     private static Long hash(String key) {  
161.           
162.         ByteBuffer buf = ByteBuffer.wrap(key.getBytes());  
163.         int seed = 0x1234ABCD;  
164.           
165.         ByteOrder byteOrder = buf.order();  
166.         buf.order(ByteOrder.LITTLE_ENDIAN);  
167.   
168.         long m = 0xc6a4a7935bd1e995L;  
169.         int r = 47;  
170.   
171.         long h = seed ^ (buf.remaining() * m);  
172.   
173.         long k;  
174.         while (buf.remaining() >= 8) {  
175.             k = buf.getLong();  
176.   
177.             k *= m;  
178.             k ^= k >>> r;  
179.             k *= m;  
180.   
181.             h ^= k;  
182.             h *= m;  
183.         }  
184.   
185.         if (buf.remaining() > 0) {  
186.             ByteBuffer finish = ByteBuffer.allocate(8).order(  
187.                     ByteOrder.LITTLE_ENDIAN);  
188.             // for big-endian version, do this first:  
189.             // finish.position(8-buf.remaining());  
190.             finish.put(buf).rewind();  
191.             h ^= finish.getLong();  
192.             h *= m;  
193.         }  
194.   
195.         h ^= h >>> r;  
196.         h *= m;  
197.         h ^= h >>> r;  
198.   
199.         buf.order(byteOrder);  
200.         return h;  
201.     }  
202.       
203.     static class Node{  
204.         String name;  
205.         String ip;  
206.         public Node(String name,String ip) {  
207.             this.name = name;  
208.             this.ip = ip;  
209.         }  
210.         @Override  
211.         public String toString() {  
212.             return this.name+"-"+this.ip;  
213.         }  
214.     }  
215.   
216. }

4、关于treeMap的一些方法的介绍

4.1 tailMap（）

tailMap(K fromKey) 方法用于返回此映射，其键大于或等于fromKey的部分视图。返回的映射受此映射支持，因此改变返回映射反映在此映射中，反之亦然。

以下是java.util.TreeMap.tailMap()方法的声明。

public SortedMap<K,V> tailMap(K fromKey)

参数
fromKey--返回映射中键的低端点(包括)

返回值

该方法调用返回此映射，其键大于或等于fromKey的部分视图。

例子：

下面的示例演示java.util.TreeMap.tailMap()方法的使用

package com.yiibai;

import java.util.*;

public class TreeMapDemo {
   public static void main(String[] args) {
      // creating maps 
      TreeMap<Integer, String> treemap = new TreeMap<Integer, String>();
      SortedMap<Integer, String> treemapincl = new TreeMap<Integer, String>();
            
      // populating tree map
      treemap.put(2, "two");
      treemap.put(1, "one");
      treemap.put(3, "three");
      treemap.put(6, "six");
      treemap.put(5, "five");      
      
      System.out.println("Getting tail map");
      treemapincl=treemap.tailMap(3);
      System.out.println("Tail map values: "+treemapincl);      
   }    
}

现在编译和运行上面的代码示例，将产生以下结果。

Getting tail map
Tail map values: {3=three, 5=five, 6=six}

4.2 headMap（）

headMap(K toKey)  方法用于返回此映射的键严格小于toKey的部分视图。

4.3 java.util.TreeMap类

java.util.TreeMap 类是Red-Black树实现基于Map接口。以下是关于TreeMap中重要的几点：

TreeMap类保证该映射将是升序键顺序。

该映射是按照自然排序方法的关键类，或者根据创建映射时提供的比较器，这将取决于其构造函数中使用排序。