hash算法与一致性hash算法

哈希取模（Hash Modulo），堪称一种简洁明了的分布式哈希算法。其核心原理便是借助哈希函数算出键的哈希值，即 hash(key)，接着将该哈希值对节点数量取模，也就是 hash(key) % N，如此一来，所得结果便是数据应存放的节点编号，最终数据就稳稳地存储在对应编号的节点上。通过对哈希取模和一致性哈希的详细介绍，我们清楚地看到了它们各自的优缺点和适用场景。

本文主要介绍了一致性哈希算法的基本原理、容错性和可扩展性、数据倾斜等问题。在此基础上又简单阐述了redis cluster中哈希槽的概念及实现。

根据实际需求选择合适的哈希算法，可以更好地满足系统的性能、扩展性和管理复杂度要求。算法在数据分布和节点管理上有显著的区别。Redis 集群模式使用的。

这里写目录标题前言一致性哈希算法数据倾斜的问题代码应用 前言 这部分问题知识在面试中经常被问到，而且是高频中的高频 场景拓展： 要缓存某些数据，放在N台服务器，也就是将其平摊分配这些数据，达到一个缓存的效果。但是如果要找到这些数据的时候，是通过遍历全部服务器，就会失去缓存的意义 原始的做法是对缓存项的key中进行哈希，之后value进行取模操作，决定分配数据在哪台服务器。如果要找这些数据的时候就不用遍历了 hash% N，这个为具体的公式，主要是通过取模运算 但这种算法会有缺陷，原本N台服务器已经缓存好数据

本文原文（点击下面 阅读原文即可进入）：https://yikun.github.io/2016/06/09/一致性哈希算法的理解与实践/在维基百科中，是这么定义的一致哈...

作者：王克锋 出处：https://kefeng.wang/2018/08/10/consistent-hashing/ 版权：自由转载-非商用-非衍生-保持署名，转载请标明作者和出处。 1 概述 1.1 传统哈希(硬哈希) 分布式系统中，假设有 n 个节点，传统方案使用 mod(key, n) 映射数据和节点。 当扩容或缩容时(哪怕只是增减1个节点)，映射关系变为 mod(key, n+1) / mod(key, n-1)，绝大多数数据的映射关系都会失效。 1.2 一致性哈希(Con...

在分布式系统中一致性hash算法起着不可忽略的地位，无论是分布式缓存，还是分布式RPC框架的负载均衡策略都有所使用。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。一致性哈希算法能尽可能减少服务器数量变化所导致的缓存迁移。

摘要： 分布式系统 Cassandra 和 Redis Cluster 虽然均采用一致性哈希，但设计差异显著。Cassandra 使用64位连续令牌环和虚拟节点（VNodes）实现动态分片，数据按分区键聚合存储，支持多副本分布式存储与灵活一致性配置；Redis Cluster 则采用16384个离散哈希槽，物理节点直接绑定槽，数据独立分布且依赖主从复制保证高可用。两者在哈希空间连续性、节点映射机制、数据分布逻辑和副本策略上的差异，反映了分布式数据库与分布式缓存的不同设计哲学。

摘自：http://blog.csdn.net/wuhuan_wp/article/details/7010071一致性哈希算法是分布式系统中常用的算法。比如，一个分布式的存储系统，要将数据存储到具体的节点上，如果采用普通的hash方法，将数据映射到具体的节点上，如key%N，key是数据的key，N是机器节点数，如果有一个机器加入或退出这个集群，则所有的数据映射都无效了，如果是持久化存储则要做数...

一致性哈希通过环形拓扑和虚拟节点技术，解决了分布式系统中节点动态变化时的数据路由问题，显著降低了数据迁移成本并提升了负载均衡能力。（通常范围是 0∼2的32次方−1），将节点和数据映射到环上，数据按顺时针方向找到最近的节点。但若节点数量变化（如节点宕机或新增节点），哈希结果会因模数 N 的改变而完全打乱，导致几乎所有数据需要重新分配。例如，环上新增节点 D，仅需将原属于节点 B 的部分数据迁移到 D。：Google 提出的算法，无需虚拟节点，但仅支持顺序节点增减。：节点宕机时，数据自动迁移到下一个节点。

一致性哈希算法与Java实现 ======================================================== 一致性哈希算法是分布式系统中常用的算法。比如，一个分布式的存储系统，要将数据存储到具体的节点上， 如果采用普通的hash方法，将数据映射到具体的节点上，如key%N，key是数据的key，N是机器节点数， 如果有一个机器加入或退出这个集群，则所

一致性哈希算法是分布式系统中常用的算法。比如，一个分布式的存储系统，要将数据存储到具体的节点上，如果采用普通的hash方法，将数据映射到具体的节 点上，如key%N，key是数据的key，N是机器节点数，如果有一个机器加入或退出这个集群，则所有的数据映射都无效了，如果是持久化存储则要做数据 迁移，如果是分布式缓存，则其他缓存就失效了。因此，引入了一致性哈希算法：把数据用hash函数(如MD5)，映...

摘要： 《Java面试200问》系列深入探讨一致性哈希算法，解决传统哈希在分布式系统中的扩容与宕机问题。通过哈希环和虚拟节点设计，一致性哈希仅需迁移少量数据，显著提升负载均衡性。文章涵盖核心原理、Java实现、实战优化（如虚拟节点、权重分配）、Redis/Nginx等应用案例，并提供面试高频问题解析，帮助开发者掌握这一分布式系统的关键技术，从容应对大厂面试挑战。

分布式哈希技术是构建大规模分布式系统的关键技术之一，它通过将数据合理地分布在多个服务器节点上，从而实现系统的高可用性与可扩展性。该技术的核心在于哈希函数的应用，通过哈希函数将数据或请求映射到特定的服务器节点，以实现快速的定位和访问。在分布式系统中，传统哈希方法面临着节点增减导致数据迁移的挑战，这直接影响系统的稳定性和性能。为了应对这一问题，一致性哈希算法应运而生，它通过特定的算法设计减少了节点变化对系统的影响，成为分布式存储和缓存系统中广泛采纳的解决方案。

在了解了Raft算法的特点、领导者选举、什么是日志、如何复制日志以及如何处理不一致日志，还有成员变更的问题和单节点变更的方法等。1.本质上，Raft算法以领导者为中心，选举出的领导者以"一切以我为准"的方式，达成值的共识和实现各节点日志的一直。2.在Raft算法中，副本数据是以日志的形式存在的，其中日志项中的指令表示用户指定的数据。在Raft算法中日志必须是连续的，而兰伯特的Multi-Paxos不要求日志是连续的，而且在Raft算法中，日志不仅是数据的载体，日志的完整性还影响着领导者选举的结果。

一致性哈希的主要作用就是用来进行负载均衡，我们设想这么一个场景，我们有四台服务器，然后需要将一批资源均匀的分配到这四台服务器上。