假定N为后台服务节点数，当前台携带关键字key发起请求时，我们通常将key进行hash后采用模运算（hash(key)%N）来将请求分发到不同的节点上。
对前台请求于后台无状态服务节点不敏感的场景而言，只要请求key具有一定的随机性，哪怕节点动态增删，该算法于后台而言已可以达到很好的负载均衡效果。
但对于分布式缓存，或者分布式数据库等场景而言，上述方式就不合适了。因后台节点的增删会引起几乎所有key的重新映射。这样，于分布式缓存而言，均发生cache miss；于分布式数据库而言发生数据错乱，其影响是灾难性的。
而一致性哈希算法的目标是，当K个请求key发起请求时。后台增减节点，只会引起K/N的key发生重新映射。即一致性哈希算法，在后台节点稳定时，同一key的每次请求映射到的节点是一样的。而当后台节点增减时，该算法尽量将K个key映射到与之前相同的节点上。
1）一致性哈希算法原理
一致性哈希算法是将每个Node节点映射到同一个圆上。将各Node的key采用hash计算，可得到一个整数数组。将该数组排序后，首尾相连即是一个圆。如下图所示，Node的key分布在圆的不同弧段上。同理，若有一请求key，hash后落入该圆的某一弧段（下图三角点所示），顺时针方向寻得离其最近的节点即为其服务节点（下图Node2）。这样每个节点覆盖了圆上从上一节点到其本身的一段弧段区间。如某一节点失效，之前落入其弧段区间的请求即会顺时针移到与其相邻的节点（下图如Node2失效，之前落入Node3至Node2弧段的请求会落入Node1）。而未落入失效弧段区间的节点则不受影响（之前落入Node2至Node3弧段的请求，当Node2失效后不受影响）。增加节点的场景与此类似，新的节点承载一段新区间，这样，落入失效节点至新节点弧段的请求会被新节点所承载。
在节点固定的情况下，为了增加节点在圆上分布的均匀性与分散性，可以设置节点的replicas（副本数）。下图将replicas设置为2，各节点承载的弧段范围已更加精细且于整体而言分布更加分散。所以适当调节replicas参数可以提高算法的均衡性。
2）Golang一致性哈希算法实现代码
本文的hash函数，是对key先做一次md5Sum，然后采用crc32做checkSum得到一个正数。
package consistent_hashing
import (
"crypto/md5"
"hash/crc32"
"sort"
"strconv"
"sync"
)
type Node struct {
Id string
Address string
}
type ConsistentHashing struct {
mutex sync.RWMutex
nodes map[int]Node
replicas int
}
func NewConsistentHashing(nodes []Node, replicas int) *ConsistentHashing {
ch := &ConsistentHashing{nodes: make(map[int]Node), replicas: replicas}
for _, node := range nodes {
ch.AddNode(node)
}
return ch
}
func (ch *ConsistentHashing) AddNode(node Node) {
ch.mutex.Lock()
defer ch.mutex.Unlock()
for i := 0; i < ch.replicas; i++ {
k := hash(node.Id + "_" + strconv.Itoa(i))
ch.nodes[k] = node
}
}
func (ch *ConsistentHashing) RemoveNode(node Node) {
ch.mutex.Lock()
defer ch.mutex.Unlock()
for i := 0; i < ch.replicas; i++ {
k := hash(node.Id + "_" + strconv.Itoa(i))
delete(ch.nodes, k)
}
}
func (ch *ConsistentHashing) GetNode(outerKey string) Node {
key := hash(outerKey)
nodeKey := ch.findNearestNodeKeyClockwise(key)
return ch.nodes[nodeKey]
}
func (ch *ConsistentHashing) findNearestNodeKeyClockwise(key int) int {
ch.mutex.RLock()
sortKeys := sortKeys(ch.nodes)
ch.mutex.RUnlock()
for _, k := range sortKeys {
if key <= k {
return k
}
}
return sortKeys[0]
}
func sortKeys(m map[int]Node) []int {
var sortedKeys []int
for k := range m {
sortedKeys = append(sortedKeys, k)
}
sort.Ints(sortedKeys)
return sortedKeys
}
func hash(key string) int {
md5Chan := make(chan []byte, 1)
md5Sum := md5.Sum([]byte(key))
md5Chan <- md5Sum[:]
return int(crc32.ChecksumIEEE(<-md5Chan))
}
3）均匀性分析
构建服务节点时，为模拟节点key在圆上的分布，简单采用id（0，1，2）做初始key，replicas为100。根据点间距等比例划分圆后得到其位置，彩色小圆点为其对应的节点（红绿蓝对应0，1，2）；
三角点代表外部请求的三个字符串（10.10.10.10，10.10.20.11，10.10.30.12）hash后按算法取到的服务节点；
使用Python matplotlib工具描点绘图如下。
从图可知，节点虽少（3个），但扩大副本量后，key的分布已具有一定的均匀性与分散性，外部key请求的最终落地节点于整体服务节点而言也是比较均匀的。
4）Golang高可用集群代理代码
一致性哈希算法具有很广泛的使用场景。如做请求分流与负载均衡，分布式缓存，分布式存储等。如下代码调用Golang反向代理类库，结合上述一致性哈希算法，根据请求头标记做分发，数行代码，即可构建一个小巧高可用的代理服务器。
package main
import (
"consistent_hashing"
"net/http"
"net/http/httputil"
"net/url"
)
func main() {
nodes := []consistent_hashing.Node{
{"0", "http://10.10.1.10/"},
{"1", "http://10.10.1.11/"},
{"2", "http://10.10.1.12/"},
}
ch := consistent_hashing.NewConsistentHashing(nodes, 100)
http.HandleFunc("/", func(w http.ResponseWriter, r *http.Request) {
sign := r.Header.Get("sign")
node := ch.GetNode(sign)
uri, _ := url.Parse(node.Address)
httputil.NewSingleHostReverseProxy(uri)
})
http.ListenAndServe(":8080", nil)
}
参考资料
[1] https://en.m.wikipedia.org/wiki/Consistent_hashing
[2] http://michaelnielsen.org/blog/consistent-hashing/
[3] http://www8.org/w8-papers/2a-webserver/caching/paper2.html
大连
2017.12.01
有疑问加站长微信联系（非本文作者）
