分布式存储之哈希取余算法
# 100.分布式存储之哈希取余算法
本文讲讲大厂面试题第四季-分布式存储案例，例如用 Redis 集群（3 主 3 从）情况下，如何存储亿级数据。
# 分析
首先，单机单台 100% 不可能，肯定是分布式存储。
该问题是阿里 P6~P7 工程案例和场景设计类必考题目， 一般业界有 3 种解决方案：
- 哈希取余分区
- 一致性哈希算法分区
- 哈希槽分区
从上往下，复杂度越来越高
# 哈希取余分区
原理：2 亿条记录就是 2 亿个 k,v，我们单机不行必须要分布式多机，假设有 3 台机器构成一个集群，用户每次读写操作都是根据公式：hash(key) % N 个机器台数，计算出哈希值，用来决定数据映射到哪一个节点上。
优点：简单粗暴，直接有效，只需要预估好数据规划好节点，例如 3 台、8 台、10 台，就能保证一段时间的数据支撑。使用 Hash 算法让固定的一部分请求落到同一台服务器上，这样每台服务器固定处理一部分请求（并维护这些请求的信息），起到负载均衡 + 分而治之的作用。
缺点：原来规划好的节点，进行扩容或者缩容就比较麻烦了，不管扩缩，每次数据变动导致节点有变动，映射关系需要重新进行计算，在服务器个数固定不变时没有问题，如果需要弹性扩容或故障停机的情况下，原来的取模公式就会发生变化：Hash(key)/3 会变成 Hash(key) /?，此时地址经过取余运算的结果将发生很大变化，根据公式获取的服务器也会变得不可控。
某个 redis 机器宕机了，由于台数数量变化，会导致 hash 取余全部数据重新洗牌。
# 一致性哈希算法分区
背景：一致性哈希算法在 1997 年由麻省理工学院中提出的，设计目标是为了解决分布式缓存数据变动和映射问题，某个机器宕机了，分母数量改变了，取余就不好用了
原理：提出一致性 Hash 解决方案，当服务器个数发生变动时，尽量减少影响客户端到服务器的映射关系。
步骤：
- 构建一致性哈希环
- 服务器 IP 节点映射
- key 落到服务器的落键规则
# 一致性哈希环
一致性哈希算法必然有个 hash 函数并按照算法产生 hash 值，这个算法能算出来的所有哈希值会构成一个全量集。
这个集合可以称之为一个 hash 空间 [0,232-1]，这个是一个线性空间，但是在算法中，我们通过适当的逻辑控制将它首尾相连，这样让它逻辑上形成了一个环形空间。
之前我们是对节点（服务器）的数量进行取模，而一致性 Hash 算法是对 232 取模。
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、……直到 232-1，也就是说 0 点左侧的第一个点代表 232-1，我们把这个由 232 个点组成的圆环称为 Hash 环。
# 服务器 IP 节点映射
接下来将集群中各个 IP 节点映射到环上的某一个位置。将各个服务器使用 Hash 进行一个计算，具体可以选择服务器的 IP 或主机名作为关键字进行计算，这样每台机器就能确定其在哈希环上的位置。假如 4 个节点 NodeA、B、C、D，经过 IP 地址的哈希函数计算 (hash(ip))，使用 IP 地址哈希后在环空间的位置如下：
# key 落到服务器的落键规则
当我们需要存储一个 kv 键值对时，首先计算 key 的 hash 值，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，并将该键值对存储在该节点上。
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。
# 优点
解决了容错性和扩展性的问题。
容错性： 假设 Node C 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。简单说，就是 C 挂了，受到影响的只是 B、C 之间的数据，并且这些数据会转移到 D 进行存储。
扩展性：数据量增加了，需要增加一台节点 NodeX，X 的位置在 A 和 B 之间，那收到影响的也就是 A 到 X 之间的数据，重新把 A 到 X 的数据录入到 X 上即可，不会导致 hash 取余全部数据重新洗牌。
# 缺点
Hash 环的数据倾斜问题：一致性 Hash 算法在服务节点太少时，容易因为节点分布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：
# 小结
为了在节点数目发生改变时尽可能少的迁移数据，将所有的存储节点排列在收尾相接的 Hash 环上，每个 key 在计算 Hash 后会顺时针找到临近的存储节点存放。
而当有节点加入或退出时仅影响该节点在 Hash 环上顺时针相邻的后续节点。
优点：加入和删除节点只影响哈希环中顺时针方向的相邻的节点，对其他节点无影响。
缺点：数据的分布和节点的位置有关，因为这些节点不是均匀的分布在哈希环上的，所以数据在进行存储时达不到均匀分布的效果。
# 哈希槽分区
常用，需掌握
# 概述
哈希槽分区，解决了一致性哈希算法的数据倾斜问题。哈希槽实质就是一个数组 [0,214-1] 形成 hash slot 空间
为了解决倾斜的问题，在数据和节点之间又加入了一层，把这层称为哈希槽（slot），用于管理数据和节点之间的关系，现在就相当于节点上放的是槽，槽里放的是数据。（有点像代理模式）
槽解决的是粒度问题，相当于把粒度变大了，这样便于数据移动。
哈希解决的是映射问题，使用 key 的哈希值来计算所在的槽，便于数据分配。
多少个 hash 槽？
一个集群只能有 16384 个槽，编号 0-16383 （也就是 0 ~214-1）。
Redis 也是用的哈希槽，具体的可以看尚硅谷的大厂学苑-Redis 专题，这里不展开
将由这些槽决定数据如何分配给集群中的所有主节点，分配策略没有要求。可以指定哪些编号的槽分配给哪个节点，集群会记录节点和槽的对应关系。
解决了节点和槽的关系后，接下来就需要对 key 求哈希值，然后对 16384 取余，余数是几，key 就落入对应的槽里。slot = CRC16(key) % 16384。以槽为单位移动数据，因为槽的数目是固定的，处理起来比较容易，这样数据移动问题就解决了。
# 哈希槽计算
Redis 集群中内置了 16384 个哈希槽，Redis 会根据节点数量大致均等的将哈希槽映射到不同的节点。当需要在 Redis 集群中放置一个 key-value 时，Redis 先对 key 使用 crc16 算法算出一个结果，然后把结果对 16384 求余数，这样每个 key 都会对应一个编号在 0-16383 之间的哈希槽，也就是映射到某个节点上。
如下代码，key 之 A 、B 在 Node2， key 之 C 落在 Node3 上：
@Test
public void test() {
// import io.lettuce.core.cluster.SlotHash
System.out.println(SlotHash.getSlot("A")); //6373
System.out.println(SlotHash.getSlot("B")); //10374
System.out.println(SlotHash.getSlot("C")); //14503
System.out.println(SlotHash.getSlot("hello")); //866
}
2
3
4
5
6
7
8
接下来就是实操，搭建 Redis 集群。
(完)
