摘要：一致性哈希算法能盡可能減少了服務器數量變化所導致的緩存遷移。哈希算法首先，一致性哈希算法依賴于普通的哈希算法。我們以下面四個量化的指標對基于不同哈希函數的一致性哈希算法進行評測。

一致性哈希算法在分布式緩存領域的 MemCached，負載均衡領域的 Nginx 以及各類 RPC 框架中都有廣泛的應用，它主要是為了解決傳統哈希函數添加哈希表槽位數后要將關鍵字重新映射的問題。

本文會介紹一致性哈希算法的原理及其實現，并給出其不同哈希函數實現的性能數據對比，探討Redis 集群的數據分片實現等，文末會給出實現的具體 github 地址。

Memcached 是一個高性能的分布式緩存系統，然而服務端沒有分布式功能，各個服務器不會相互通信。它的分布式實現依賴于客戶端的程序庫，這也是 Memcached 的一大特點。比如第三方的 spymemcached 客戶端就基于一致性哈希算法實現了其分布式緩存的功能。

其具體步驟如下:

向 Memcached 添加數據，首先客戶端的算法根據 key 值計算出該 key 對應的服務器。

服務器選定后，保存緩存數據。

獲取數據時，對于相同的 key ，客戶端的算法可以定位到相同的服務器，從而獲取數據。

在這個過程中，客戶端的算法首先要保證緩存的數據盡量均勻地分布在各個服務器上，其次是當個別服務器下線或者上線時，會出現數據遷移，應該盡量減少需要遷移的數據量。

客戶端算法是客戶端分布式緩存性能優劣的關鍵。

普通的哈希表算法一般都是計算出哈希值后，通過取余操作將 key 值映射到不同的服務器上，但是當服務器數量發生變化時，取余操作的除數發生變化，所有 key 所映射的服務器幾乎都會改變，這對分布式緩存系統來說是不可以接收的。

一致性哈希算法能盡可能減少了服務器數量變化所導致的緩存遷移。

首先，一致性哈希算法依賴于普通的哈希算法。大多數同學對哈希算法的理解可能都停留在 JDK 的 hashCode 函數上。其實哈希算法有很多種實現，它們在不同方面都各有優劣，針對不同的場景可以使用不同的哈希算法實現。

下面，我們會介紹一下幾款比較常見的哈希算法，并且了解一下它們在分布均勻程度，哈希碰撞概率和性能等方面的優劣。

MD5 算法：全稱為 Message-Digest Algorithm 5，用于確保信息傳輸完整一致。是計算機廣泛使用的雜湊算法之一，主流編程語言普遍已有 MD5 實現。MD5 的作用是把大容量信息壓縮成一種保密的格式（就是把一個任意長度的字節串變換成定長的16進制數字串）。常見的文件完整性校驗就是使用 MD5。

CRC 算法：全稱為 CyclicRedundancyCheck，中文名稱為循環冗余校驗。它是一類重要的，編碼和解碼方法簡單，檢錯和糾錯能力強的哈希算法，在通信領域廣泛地用于實現差錯控制。

MurmurHash 算法：高運算性能，低碰撞率，由 Austin Appleby 創建于 2008 年，現已應用到 Hadoop、libstdc++、nginx、libmemcached 等開源系統。Java 界中 Redis，Memcached，Cassandra，HBase，Lucene和Guava 都在使用它。

FNV 算法：全稱為 Fowler-Noll-Vo 算法，是以三位發明人 Glenn Fowler，Landon Curt Noll，Phong Vo 的名字來命名的，最早在 1991 年提出。 FNV 能快速 hash 大量數據并保持較小的沖突率，它的高度分散使它適用于 hash 一些非常相近的字符串，比如 URL，hostname，文件名，text 和 IP 地址等。

Ketama 算法：一致性哈希算法的實現之一，其他的哈希算法有通用的一致性哈希算法實現，只不過是替換了哈希映射函數而已，但 Ketama 是一整套的流程，我們將在后面介紹。

下面，我們以分布式緩存場景為例，分析一下一致性哈希算法環的原理。

首先將緩存服務器（ ip + 端口號）進行哈希，映射成環上的一個節點，計算出緩存數據 key 值的 hash key，同樣映射到環上，并順時針選取最近的一個服務器節點作為該緩存應該存儲的服務器。具體實現見后續的章節。

比如說，當存在 A，B，C，D 四個緩存服務器時，它們及其 key 值為1的緩存數據在一致性哈希環上的位置如下圖所示，根據順時針取最近一個服務器節點的規則，該緩存數據應該存儲在服務器 B 上。

當要存儲一個 key 值為4的緩存數據時，它在一致性哈希環上的位置如下所示，所以它應該存儲在服務器 C 上。

類似的，key 值為5，6的數據應該存在服務 D 上，key 值為7，8的數據應該存儲在服務 A 上。

此時，服務器 B 宕機下線，服務器 B 中存儲的緩存數據要進行遷移，但由于一致性哈希環的存在，只需要遷移key 值為1的數據，其他的數據的存儲服務器不會發生變化。這也是一致性哈希算法比取余映射算法出色的地方。

由于服務器 B 下線，key 值為1的數據順時針最近的服務器是 C ，所以數據存遷移到服務器 C 上。

現實情況下，服務器在一致性哈希環上的位置不可能分布的這么均勻，導致了每個節點實際占據環上的區間大小不一。

這種情況下，可以增加虛節點來解決。通過增加虛節點，使得每個節點在環上所“管轄”的區域更加均勻。這樣就既保證了在節點變化時，盡可能小的影響數據分布的變化，而同時又保證了數據分布的均勻。

下面我們實現 Memcached 分布式緩存場景下的一致性哈希算法，并給出具體的測試性能數據。該實現借鑒了 kiritomoe 博文中的實現和 spymemcached 客戶端代碼。具體實現請看我的github，地址為 https://github.com/ztelur/con...。

NodeLocator 是分布式緩存場景下一致性哈希算法的抽象，它有一個 getPrimary 函數，接收一個緩存數據的 key 值，輸出存儲該緩存數據的服務器實例。

public interface NodeLocator {
    MemcachedNode getPrimary(String k);
}

下面是通用的一致性哈希算法的實現，它使用 TreeMap 作為一致性哈希環的數據結構，其 ceilingEntry 函數可以獲取環上最近的一個節點。buildConsistentHashRing 函數中包含了構建一致性哈希環的過程，默認加入了 12 個虛擬節點。

public class ConsistentHashNodeLocator implements NodeLocator {
    private final static int VIRTUAL_NODE_SIZE = 12;
    private final static String VIRTUAL_NODE_SUFFIX = "-";

    private volatile TreeMap hashRing;
    private final HashAlgorithm hashAlg;

    public ConsistentHashNodeLocator(List nodes, HashAlgorithm hashAlg) {
        this.hashAlg = hashAlg;
        this.hashRing = buildConsistentHashRing(hashAlg, nodes);
    }


    @Override
    public MemcachedNode getPrimary(String k) {
        long hash = hashAlg.hash(k);
        return getNodeForKey(hashRing, hash);
    }

    private MemcachedNode getNodeForKey(TreeMap hashRing, long hash) {
        /* 向右找到第一個key */
        Map.Entry locatedNode = hashRing.ceilingEntry(hash);
        /* 想象成為一個環，超出尾部取出第一個 */
        if (locatedNode == null) {
            locatedNode = hashRing.firstEntry();
        }
        return locatedNode.getValue();
    }

    private TreeMap buildConsistentHashRing(HashAlgorithm hashAlgorithm, List nodes) {
        TreeMap virtualNodeRing = new TreeMap<>();
        for (MemcachedNode node : nodes) {
            for (int i = 0; i < VIRTUAL_NODE_SIZE; i++) {
                // 新增虛擬節點的方式如果有影響，也可以抽象出一個由物理節點擴展虛擬節點的類
                virtualNodeRing.put(hashAlgorithm.hash(node.getSocketAddress().toString() + VIRTUAL_NODE_SUFFIX + i), node);
            }
        }
        return virtualNodeRing;
    }
}

在 getPrimary 函數中，首先使用 HashAlgorithm 計算出 key 值對應的哈希值，然后調用 getNodeForKey 函數從 TreeMap 中獲取對應的最近的服務器節點實例。

HashAlgorithm 是對哈希算法的抽象，一致性哈希算法可以使用各種普通的哈希算法，比如說 CRC ，MurmurHash 和 FNV 等。下面，我們將會對比各種哈希算法給該實現帶來的性能差異性。

測試數據是評價一個算法好壞的最為真實有效的方法，量化的思維模式一定要有，這也是程序員進階的法寶之一。我們以下面四個量化的指標對基于不同哈希函數的一致性哈希算法進行評測。

統計每個服務器節點存儲的緩存數量，計算方差和標準差。測量緩存分布均勻情況，我們可以模擬 50000個緩存數據，分配到100 個服務器，測試最后個節點存儲緩存數據量的方差和標準差。

隨機下線10%的服務器，重新分配緩存，統計緩存遷移比率。測量節點上下線的情況，我們可以模擬 50000 個緩存數據，分配到100 個指定服務器，之后隨機下線 10 個服務器并重新分配這50000個數據，統計緩存分配到不同服務器的比例，也就是遷移比率。

使用JMH對不同哈希算法的執行效率進行對比。

具體評測算法如下。

public class NodeLocatorTest {

    /**
     * 測試分布的離散情況
     */
    @Test
    public void testDistribution() {
        List servers = new ArrayList<>();
        for (String ip : ips) {
            servers.add(new MemcachedNode(new InetSocketAddress(ip, 8080)));
        }
        // 使用不同的DefaultHashAlgorithm進行測試，得出不同的數據
        NodeLocator nodeLocator = new ConsistentHashNodeLocator(servers, DefaultHashAlgorithm.NATIVE_HASH);
        // 構造 50000 隨機請求
        List keys = new ArrayList<>();
        for (int i = 0; i < 50000; i++) {
            keys.add(UUID.randomUUID().toString());
        }
        // 統計分布
        AtomicLongMap atomicLongMap = AtomicLongMap.create();
        for (MemcachedNode server : servers) {
            atomicLongMap.put(server, 0);
        }
        for (String key : keys) {
            MemcachedNode node = nodeLocator.getPrimary(key);
            atomicLongMap.getAndIncrement(node);
        }
        System.out.println(StatisticsUtil.variance(atomicLongMap.asMap().values().toArray(new Long[]{})));
        System.out.println(StatisticsUtil.standardDeviation(atomicLongMap.asMap().values().toArray(new Long[]{})));

    }

    /**
     * 測試節點新增刪除后的變化程度
     */
    @Test
    public void testNodeAddAndRemove() {
        List servers = new ArrayList<>();
        for (String ip : ips) {
            servers.add(new MemcachedNode(new InetSocketAddress(ip, 8080)));
        }
        //隨機下線10個服務器, 先shuffle，然后選擇0到90，簡單模仿隨機計算。
        Collections.shuffle(servers);
        List serverChanged = servers.subList(0, 90);
        NodeLocator loadBalance = new ConsistentHashNodeLocator(servers, DefaultHashAlgorithm.NATIVE_HASH);
        NodeLocator changedLoadBalance = new ConsistentHashNodeLocator(serverChanged, DefaultHashAlgorithm.NATIVE_HASH);

        // 構造 50000 隨機請求
        List keys = new ArrayList<>();
        for (int i = 0; i < 50000; i++) {
            keys.add(UUID.randomUUID().toString());
        }
        int count = 0;
        for (String invocation : keys) {
            MemcachedNode origin = loadBalance.getPrimary(invocation);
            MemcachedNode changed = changedLoadBalance.getPrimary(invocation);
           // 統計發生變化的數值
            if (!origin.getSocketAddress().equals(changed.getSocketAddress())) count++;
        }
        System.out.println(count / 50000D);
    }
    static String[] ips = {...};
}

JMH的測試腳本如下所示。

@BenchmarkMode(Mode.AverageTime)
@OutputTimeUnit(TimeUnit.MICROSECONDS)
@State(Scope.Thread)
public class JMHBenchmark {

    private NodeLocator nodeLocator;
    private List keys;

    @Benchmark
    public void test() {
        for (String key : keys) {
            MemcachedNode node = nodeLocator.getPrimary(key);
        }
    }

    public static void main(String[] args) throws RunnerException {
        Options opt = new OptionsBuilder()
                .include(JMHBenchmark.class.getSimpleName())
                .forks(1)
                .warmupIterations(5)
                .measurementIterations(5)
                .build();
        new Runner(opt).run();
    }

    @Setup
    public void prepare() {
        List servers = new ArrayList<>();
        for (String ip : ips) {
            servers.add(new MemcachedNode(new InetSocketAddress(ip, 8080)));
        }
        nodeLocator = new ConsistentHashNodeLocator(servers, DefaultHashAlgorithm.MURMUR_HASH);
        // 構造 50000 隨機請求
        keys = new ArrayList<>();
        for (int i = 0; i < 50000; i++) {
            keys.add(UUID.randomUUID().toString());
        }
    }

    @TearDown
    public void shutdown() {
    }
    static String[] ips = {...};
}

分別測試了 JDK 哈希算法，FNV132 算法，CRC 算法，MurmurHash 算法和Ketama 算法，分別對應 DefaultHashAlgorithm 的 NATIVE_HASH，FNV1_32_HASH，CRC_HASH，MURMUR_HASH 和 KETAMA_HASH 。具體數據如下所示。

有些文章說，Redis 集群并沒有使用一致性哈希算法，而是使用虛擬槽分區算法。但是外網（地址見文末）上都說 Redis 使用的虛擬槽分區只是一致性哈希算法的變種，虛擬槽可以允許 Redis 動態擴容。

或許只有去了解一下Redis的源碼才能對這個問題作出準確的回答。請了解的同學積極留言解答，謝謝。

github 地址： https://github.com/ztelur/con...
redis分布式討論的地址： https://www.reddit.com/r/redi...

https://jistol.github.io/soft...

https://mp.weixin.qq.com/s/oe...