一致性哈希最初在 P2P 网络中作为分布式哈希表（DHT）的常用数据分布算法，目前这个算法在分布式系统中成为使用较为广泛的数据分布方式。
前言
一致性哈希算法（Consistent Hashing）最早在1997年由 David Karger 等人在论文《Consistent Hashing and Random Trees: Distributed Caching Protocols for Relieving Hot Spots on the World Wide Web》中被提出，
其设计目标是为了解决因特网中的热点(Hot spot)问题；
一致性哈希最初在 P2P 网络中作为分布式哈希表（ DHT）的常用数据分布算法，
目前这个算法在分布式系统中成为使用较为广泛的数据分布方式。
Hash 取模
为什么要有 Hash 一致性算法？
当我们在做数据库分库分表或者是分布式缓存时，不可避免的都会遇到一个问题:
如何将数据均匀的分散到各个节点中，并且尽量的在加减节点时能使受影响的数据最少。
具体可以详细查阅 面试必备：什么是一致性Hash算法？
随机放置就不说了，会带来很多问题。通常最容易想到的方案就是 hash取模了。
可以将传入的 Key 按照 index=hash(key)%N 这样来计算出需要存放的节点。其中 hash 函数是一个将字符串转换为正整数的哈希映射方法，N 就是节点的数量。
这样可以满足数据的均匀分配，但是这个算法的容错性和扩展性都较差。
比如增加或删除了一个节点时，所有的 Key 都需要重新计算，显然这样成本较高，为此需要一个算法满足分布均匀同时也要有良好的容错性和拓展性。
原理
一致性 Hash 算法也是使用取模的方法，只是，刚才描述的取模法是对服务器的数量进行取模，而一致性 Hash 算法是对2^32取模
一致性 Hash 算法将整个哈希值空间组织成一个虚拟的圆环，如假设某哈希函数H的值空间为0-2^32-1（即哈希值是一个32位无符号整形）
整个空间按顺时针方向组织，圆环的正上方的点代表0，0点右侧的第一个点代表1，
以此类推，2、3、4、5、6……直到2^32-1，也就是说0点左侧的第一个点代表2^32-1，
0和2^32-1在零点中方向重合，我们把这个由2^32个点组成的圆环称为Hash环。
由于是环形空间，所以0和232-1实际上是重叠的，上图只是为了表示方便没有画到一起。
1. 将机器映射到环中
将各个服务器使用 Hash 进行一个哈希，具体可以选择服务器的IP或主机名作为关键字进行哈希，这样每台机器就能确定其在哈希环上的位置，这里假设将四台服务器使用IP地址哈希后在环空间的位置如下
2. 将数据映射到环中
将数据key使用相同的函数Hash计算出哈希值，并确定此数据在环上的位置，从此位置沿环顺时针“行走”，第一台遇到的服务器就是其应该定位到的服务器！
例如我们有Object A、Object B、Object C、Object D四个数据对象，经过哈希计算后，在环空间上的位置如下
根据一致性Hash算法，数据A会被定为到Node A上，B被定为到Node B上，C被定为到Node C上，D被定为到Node D上
容错性和可扩展性
现假设Node C不幸宕机，可以看到此时对象A、B、D不会受到影响，只有C对象被重定位到Node D。
一般的，在一致性Hash算法中，如果一台服务器不可用，
则受影响的数据仅仅是此服务器到其环空间中前一台服务器
（即沿着逆时针方向行走遇到的第一台服务器）之间数据，其它不会受到影响，如下所示:
下面考虑另外一种情况，如果在系统中增加一台服务器Node X，如下图所示:
此时对象Object A、B、D不受影响，只有对象C需要重定位到新的Node X ！
一般的，在一致性Hash算法中，如果增加一台服务器，则受影响的数据仅仅是新服务器到其环空间中前一台服务器
（即沿着逆时针方向行走遇到的第一台服务器）之间数据，其它数据也不会受到影响。
一致性Hash算法对于节点的增减都只需重定位环空间中的一小部分数据，具有较好的容错性和可扩展性。
数据倾斜问题
一致性Hash算法在服务节点太少时，容易因为节点分部不均匀而造成数据倾斜
（被缓存的对象大部分集中缓存在某一台服务器上）问题，例如系统中只有两台服务器，其环分布如下:
此时必然造成大量数据集中到Node A上，而只有极少量会定位到Node B上。为了解决这种数据倾斜问题，一致性Hash算法引入了虚拟节点机制，即对每一个服务节点计算多个哈希，每个计算结果位置都放置一个此服务节点，称为虚拟节点。具体做法可以在服务器IP或主机名的后面增加编号来实现。
例如上面的情况，可以为每台服务器计算三个虚拟节点，于是可以分别计算 “Node A#1”、“Node A#2”、“Node A#3”、“Node B#1”、“Node B#2”、“Node B#3”的哈希值，于是形成六个虚拟节点
同时数据定位算法不变，只是多了一步虚拟节点到实际节点的映射，
例如定位到“Node A#1”、“Node A#2”、“Node A#3”三个虚拟节点的数据均定位到Node A上。
这样就解决了服务节点少时数据倾斜的问题。
在实际应用中，通常将虚拟节点数设置为32甚至更大，因此即使很少的服务节点也能做到相对均匀的数据分布。
总结
分析了什么是一致性Hash算法，主要是考虑到分布式系统每个节点都有可能失效，
并且新的节点很可能动态的增加进来的情况，如何保证当系统的节点数目发生变化的时候，
我们的系统仍然能够对外提供良好的服务，这是值得考虑的！
参考链接