Hash一致性算法与分布式缓存服务器

                         Hash一致性算法与分布式缓存服务器

在大型的分布式项目中，解决性能问题是重中之重，在前端搭建缓存服务器是常见的一种解决后台资源访问的一种方案。就以图片缓存服务器为例，用户近期访问的图片，将会被从后台读取到客户端，并缓存到前端缓存服务器中，当再次访问该资源时，就可以直接在前端缓存中读取，不必访问后台，这对后台服务器性能是一个很好的提升。

这样的缓存服务器为了实现负载均衡，通常不会单点，而会搭建一个集群。问题就来了，如何实现资源的负载均衡呢？如果等量的将每一个资源分布在每一个缓存服务器上，则每一次再访问该资源时，还是得依次遍历每一个缓存服务器，这样负载均衡的意义就不存在了。

再聪明些同学可能会想到Hash算法，根据图片的名字取一个Hash值，然后以缓存服务器的数量做除法取余，然后就可以将图片随机分布在各个服务器中，并在读取资源时，也能根据hash算法找到相应的服务器。但是这样的做法会引申出一个新的问题，如果添加新的节点，或者有节点挂了怎么办，这时，节点的变动就会影响hash算法，显然的不满足分布式CAP思想中的分区容错性（A）。

本文的主角

如上描述的问题自然会有一个解决方案--Hash一致性算法。

在最原始的Hash算法中，我们是使用服务器的数量取模，Hash一致性算法则以2^32取模，如此构建出一个圆形的Hash模型，如下：

圆形Hash模型

 如此的一个Hash模型坐落了2^32个点，取模后的key就会被映射到模型上。另外的，不同于简单Hash算法只是对图片对象进行取模，在Hash一致性算法中，会首先地对缓存服务器的IP地址取模，这也是为什么选择2^32这个数字的原因。

取模ip地址这只是第一步；

第二步，图片会以2^32次方取模，坐落在圆形hash模型的某一个点上，并顺时针的找到下一个IP节点，完成映射；

来看看如上操作解决了最初的哪些问题：

如果节点挂了，或者增加新的节点，只会影响单个节点的缓存，当发现挂了的节点不复存在时，就会去找到下一个节点，读取并缓存到新的节点上，不至于全部崩盘。

引申出新的问题：这样的节点均匀么？很显然一个节点到他上一个逆时针节点的弧长就是他的权重，但是由于IP地址的原因，通常节点会分布的比较集中，如此一来，其中的一个节点将会面临最大的负载（骨干的现实还是取代了丰满的理想啊）。

丰满现实

如何让Hash一致性算法变得更加的完美呢？

提出一个新的概念--虚拟节点。

虚拟节点就是真实节点对应的节点，均匀的分布在圆形Hash模型上，当图片找到指定的虚拟节点时，同样也会被映射到真实节点上，如此一来就完成了真实节点太过密集的解决方案。丰满现实Bingo！！