知識星球在講一致性Hash之前我們先來討論一個問題。
問題：現在有億級使用者，每日產生千萬級訂單，如何將訂單進行分片分表？
小A：我們可以按照手機號的尾數進行分片，同一個尾數的手機號寫入同一片/同一表中。
大佬：我希望透過會員ID來查詢這個會員的所有訂單資訊，按照手機號分片/分表的話，前提是需要該使用者的手機號保持不變，並且在查詢訂單串列時需要提前查詢該使用者的手機號，利用手機號尾數不太合理。
小B：按照大佬的思路，我們需要找出一個唯一不變的屬性來進行分片/分表。
大佬：迷之微笑~
小B：（信心十足）會員在我們這邊保持不變的就是會員ID（int），我們可以透過會員ID的尾數進行分片/分表
小C：盡然我們可以用會員ID尾數進行分片/分表，那就用取模的方式來進行分片/分表，透過取模的方式可以達到很好的平衡性。示意圖如下：
大佬：嗯嗯嗯，在不考慮會員冷熱度的情況下小B和小C說的方案絕佳；但是往往我們的會員有冷熱度和僵屍會員，透過取模的方式往往會出現某個分片資料異常高，部分分片資料異常低，導致平衡傾斜。示意圖如下：
大佬：當出現某個分片/分表達到極限時我們需要新增片/表，此時發現我們無法正常新增片/表。因為一旦新增片/或表的時候會導致絕大部分資料錯亂，按照原先的取模方式是無法正常獲取資料的。示意圖如下
新增分片/分表前4,5,6會員的訂單分別儲存在A，B，C上，當添加了片/表的時候在按照（會員ID%N）方式取模去取資料4,5,6會員的訂單資料時發現無法取到訂單資料，因為此時4,5,6這三位會員資料分佈存在了D，E，A上，具體示意圖如下：
大佬：所以透過取模的方式也會存在缺陷；好了接下來我們來利用一致hash原理的方式來解決分片/分表的問題。
首先什麼是一致性雜湊演演算法?一致性雜湊演演算法(Consistent Hashing Algorithm)是一種分散式演演算法，常用於負載均衡。Memcached client也選擇這種演演算法，解決將key-value均勻分配到眾多Memcached server上的問題。它可以取代傳統的取模操作，解決了取模操作無法應對增刪Memcached Server的問題(增刪server會導致同一個key,在get操作時分配不到資料真正儲存的server，命中率會急劇下降)。
還以上述問題為例，假如我們有10片，我們利用Hash演演算法將每一片算出一個Hash值，而這些Hash點將被虛擬分佈在Hash圓環上，理論檢視如下：
按照順時針的方向，每個點與點之間的弧形屬於每個起點片的容量，然後按照同樣的Hash計算方法對每個會員ID進行Hash計算得出每個Hash值然後按照區間進行落片/表，以保證資料均勻分佈。
如果此時需要在B和C之間新增一片/表(B1)的話，就不會出現按照取模形式導致資料幾乎全部錯亂的情況，僅僅是影響了(B1,C)之間的資料，這樣我們清洗出來也就比較方便，也不會出現資料大批次
癱瘓。
但是如果我們僅僅是將片/表進行計算出Hash值之後，這些點分佈並不是那麼的均勻，比如就會下麵的這種情況，導致區間傾斜。如圖
這個時候虛擬節點就此誕生，下麵讓我們來看一下虛擬節點在一致性Hash中的作用。當我們在Hash環上新增若干個點，那麼每個點之間的距離就會接近相等。按照這個思路我們可以新增若干個
片/表，但是成本有限，我們透過複製多個A、B、C的副本({A1-An},{B1-Bn},{C1-Cn})一起參與計算，按照順時針的方向進行資料分佈，按照下圖示意:
此時A=[A,C1)&[A1,C2)&[A2,B4)&[A3,A4)&[A4,B1)；B=[B,A1)&[B2,C)&[B3,C3)&[B4,C4)&[B1,A)；C=[C1,B)&[C2,B2)&[C,B3)&[B3,C3)&[C4,A3)；由圖可以看出分佈點越密集，平衡性約好。
using System;
using System.Collections.Generic;
using System.Data.HashFunction;
using System.Data.HashFunction.xxHash;
using System.Linq;
namespace HashTest
{
public class ConsistentHash
{
///
/// 虛擬節點數
///
private static readonly int VirturalNodeNum = 10;
///
/// 伺服器IP
///
private static readonly string[] Nodes = { “192.168.1.1”, “192.168.1.2”, “192.168.1.3”};
///
/// 按照一致性Hash進行分組
///
private static readonly IDictionary ConsistentHashNodes = new Dictionary();
private static uint[] _nodeKeys = null;
public static void ComputeNode()
{
foreach (var node in Nodes)
{
AddNode(node);
}
}
private static void AddNode(string node)
{
for (int i = 0; i < VirturalNodeNum; i++)
{
var key = node + “:” + i;
var hashValue = ComputeHash(key);
if (!ConsistentHashNodes.ContainsKey(hashValue))
{
ConsistentHashNodes.Add(hashValue, node);
}
}
_nodeKeys = ConsistentHashNodes.Keys.ToArray();
}
private static uint ComputeHash(string virturalNode)
{
var hashFunction = xxHashFactory.Instance.Create();
var hashValue = hashFunction.ComputeHash(virturalNode);
return BitConverter.ToUInt32(hashValue.Hash, 0);
}
public static string Get(string item)
{
var hashValue = ComputeHash(item);
var index = GetClockwiseNearestNode(hashValue);
return ConsistentHashNodes[_nodeKeys[index]];
}
private static int GetClockwiseNearestNode(uint hash)
{
int begin = 0;
int end = _nodeKeys.Length – 1;
if (_nodeKeys[end] < hash || _nodeKeys[0] > hash)
{
return 0;
}
while ((end – begin) > 1)
{
var mid = (end + begin) / 2;
if (_nodeKeys[mid] >= hash) end = mid;
else begin = mid;
}
return end;
}
}
}
原文地址：https://www.cnblogs.com/xialihua1023/p/10304932.html
