模拟负载均衡算法-一致性哈希环

通过用户访问服务器节点来简单解释一下一致性哈希环的实现原理。

用户访问服务器节点

说明:

  1. p1,p2,p3,p4的哈希值的大小顺序是 p1<p2<p3<p4.
  2. p1-1是一个虚拟节点,当用户访问时到虚拟节点时会转发到真实服务器p1.
  3. 需要一个数据结构去存储服务器节点,数据结构需要具有排序功能,这里就用TreeMap,底层是红黑树。

代码:


public class ConsistentHash {
	//集群ip
    private static List<String> serverIps = new ArrayList<>();
    //虚拟节点的个数
    private static final int VIRTUAL_NODES = 100;

    private static TreeMap<Integer, String> virtualNodes = new TreeMap<>();

	//初始化
    static {
        serverIps.add("192.168.4.1");
        serverIps.add("192.168.11.2");
        serverIps.add("192.168.5.3");
        serverIps.add("172.42.10.4");
        serverIps.add("172.106.80.5");
        serverIps.add("120.224.40.6");

        //根据每个真实节点添加虚拟节点,根据hash散列进行调整
        for (String ip : serverIps) {
            for (int i = 0; i < VIRTUAL_NODES; i++) {
                int hash = getHash(ip + "VN" + i);
                virtualNodes.put(hash, ip);
            }
        }
    }

    public static void main(String[] args) {
    	//若干用户访问服务器节点
        for (int i = 0; i < 20; i++) {
                        System.out.println("用户【" + i + "】 访问:" + getServer("userId" + i));        }
    }

    private static String getServer(String clientInfo) {
        int hash = getHash(clientInfo);
        //得到大于该 hash值的子红黑树
        SortedMap<Integer, String> subMap = virtualNodes.tailMap(hash);
        //获得该子树的最小元素
        Integer nodeIndex = subMap.firstKey();
        //没有大于该元素的子树,那就取整棵数第一个元素
        if (nodeIndex == null) {
            nodeIndex = virtualNodes.firstKey();
        }
        return virtualNodes.get(nodeIndex);
    }

    private static int getHash(String clientInfo) {
        final int p = 16777619;
        int hash = (int) 2166136261L;
        for (int i = 0,len = clientInfo.length(); i < len; i++) {
            hash = (hash ^ clientInfo.charAt(i)) * p;
            hash += hash << 13;
            hash ^= hash >> 7;
            hash += hash << 3;
            hash ^= hash >> 17;
        }
        return hash;
    }
}

执行结果:
用户【0】 访问:192.168.11.2
用户【1】 访问:192.168.5.3
用户【2】 访问:192.168.11.2
用户【3】 访问:192.168.4.1
用户【4】 访问:192.168.4.1
用户【5】 访问:172.42.10.4
用户【6】 访问:120.224.40.6
用户【7】 访问:172.106.80.5
用户【8】 访问:192.168.5.3
用户【9】 访问:192.168.5.3
用户【10】 访问:172.106.80.5
用户【11】 访问:192.168.5.3
用户【12】 访问:120.224.40.6
用户【13】 访问:192.168.5.3
用户【14】 访问:120.224.40.6
用户【15】 访问:192.168.5.3
用户【16】 访问:192.168.5.3
用户【17】 访问:192.168.5.3
用户【18】 访问:192.168.5.3
用户【19】 访问:120.224.40.6

### 一致性哈希算法概述 一致性哈希算法旨在解决传统哈希方法在分布式环境中遇到的数据分布不均和扩展性差的问题[^2]。该算法通过特定的设计使得当服务器集群发生变化时,只有部分数据需要重新分配,从而减少了大规模迁移的需求。 ### 工作原理 一致性哈希的核心在于构建了一个虚拟环形空间,并在这个圆上均匀分布着各个节点(即服务器)。具体来说: - **初始化阶段**:首先计算每台物理机器对应的多个伪随机位置点并将其放置于0到2^32-1构成的整数区间形成的闭合环路上; - **映射过程**:对于每一个待存储的对象key,利用相同的散列函数得出其数值表示形式后也放到这个环上去;此时顺时针方向离它最近的那个节点就是负责保存此对象副本的地方。 这种机制确保即使有新成员加入或旧成员离开,也只有少量受影响区域内的项目会被重定位至新的目标地址处[^3]。 ```python import hashlib def consistent_hash(key, num_replicas=3): """简单的模拟一致哈希""" hash_value = int(hashlib.md5(str(key).encode()).hexdigest(), 16) return (hash_value % 360) / float(num_replicas) print(f"Key 'example' hashes to position {consistent_hash('example'):.2f} on the ring.") ``` ### 应用场景 在分布式缓存系统中,如Memcached、Redis Cluster等,采用了一致性哈希技术来管理不同实例间键值对的分发策略。这不仅提高了系统的可维护性和容错能力,还有效降低了因单点故障而导致的服务中断风险[^1]。 另外,在负载均衡方面也有广泛应用——通过对客户端请求执行相同的一致性哈希运算可以实现较为公平的任务调度方案,同时保持良好的性能表现。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值