一致性哈希算法，是不是听起来hen高大上？哈哈，其实它就是一种特殊的哈希算法，Neng在分布式系统中hen好地解决问题。

说实话，咱就是说传统哈希算法有hen大的局限性。

为啥呢？你想啊，传统的哈希取模算法，当服务器数量变化时会导致大量缓存失效，瞬间打到数据库上，你懂的，后果hen严重。

一致性哈希算法是什么？

简单来说一致性哈希算法将哈希空间组织成一个环形结构，将数据和节点dou映射到这个环上，然后根据顺时针的规则确定数据或请求应该分配到哪个节点上。

通常情况下哈希环的起点是 0，终点是 2^32 - 1，并且起点与终点连接，故这个环的整数分布范围是 。

为了解决节点分布不均的问题，我们引入了虚拟节点，就是对真实的物理节点在哈希环上虚拟出几个它的分身节点。

数据落到分身节点上实际上就是落到真实的物理节点上，通过将虚拟节点均匀分散在哈希环的各个部分，Ke以hen好地解决数据倾斜问题。

为什么需要一致性哈希算法？

传统的哈希取模算法有一个比较大的缺陷就是：无法hen好的解决机器/节点动态减少或者增加的场景。

想象一下服务器的初始数量为 N 台 ，Ru果其中一台服务器宕机，N 就变成了 2。此时对于同一个 key，hash % 3 的结果hen可Neng与 hash % 2 完全不同。

这意味着几乎所有的数据映射关系dou会错乱。这会导致大规模的缓存失效和缓存穿透，瞬间将压力全部打到后端的数据库上，引发系统雪崩。

为了geng好地解决这个问题，一致性哈希算法诞生了。

一致性哈希算法的应用场景

开始之前，先说两个常见的场景：分布式缓存和负载均衡。这两种场景的本质，dou是需要建立一个从 key 到服务器/节点的稳定映射关系。

引入虚拟节点的好处是巨大的：

Ke以让数据分布geng加均匀，减少新增或删除节点时的数据迁移。

哈希算法是Zui为常用的算法。典型的应用场景是: 有N台服务器提供缓存服务，你需要将数据均匀地分布在这些服务器上。

"为什么百度不收录"这个问题，有人说是百度算法的问题，也有人说是网站内容质量的问题，说实话，这个问题hen复杂，没个准答案，反正多优化网站，提高内容质量总是没错的吧！

"一致性哈希":通过哈希函数计算出 key 的哈希值，然后映射到哈希环上，根据顺时针的规则确定数据或请求应该分配到哪个节点上。

hash % 2^32: 使用哈希函数对服务器 IP 进行哈希，然后再取模，将其映射到哈希环上 。

"一致性哈希"对比传统"hash取模". 传统"hash取模":nodenumber = hash % N,其中N: 服务器数量. "一致性hash":nodenumber = hash % 2^32 ,固定值，通常为2^32 :Hash环的总大小. 关键区别在于N :传统Hash直接对服务器数取模，而一致性Hash是对一个固定值（如 2^32 )取模构建Hash环. 新增或移除节点时,传统Hash几乎所有映射关系dou会变化,而一致性Hash只会影响相邻节点. 因此,"一致性Hash":解决了传统Hash在分布式系统中的伸缩性问题:新增或移除服务器,只会影响少量数据的迁移. 举个例子，当 Node2 节点被移除的话，那 Node3 就要负责 Node2 的数据，直接迁移 Node2 的数据到 Node3 即可，其他节点不受影响。 同样地，Ru果我们在 Node1 和 Node2 之间新增一个节点 Node5，那么原本应该由 Node2 负责的一部分数据现在会由 Node5 负责。我们只需要将这部分数据从 Node2 迁移到 Node5 即可。 这样，只影响了相邻的两个节点，对整个系统的影响非常小，你懂的，这才是我们想要的结果。 好了今天就聊到这里吧，一致性哈希算法是不是没那么难了？哈哈，说实话，它确实是个好东西，在hen多场景下douNeng发挥大作用。

---