什么是一致性Hash算法?

简单了解一致性Hash算法,参考大量文章并且加入我自己的理解。

转载:https://zhuanlan.zhihu.com/p/34985026

一、Redis集群的使用

我们在使用Redis的时候,为了保证Redis的高可用,提高Redis的读写性能,最简单的方式我们会做主从复制,组成Master-Master或者Master-Slave的形式,或者搭建Redis集群,进行数据的读写分离,类似于数据库的主从复制和读写分离。

如下所示:

同样类似于数据库,当单表数据大于500W的时候需要对其进行分库分表,当数据量很大的时候(标准可能不一样,要看Redis服务器容量)我们同样可以对Redis进行类似的操作,就是分库分表。

假设,我们有一个社交网站,需要使用Redis存储图片资源,存储的格式为键值对,key值为图片名称,value为该图片所在文件服务器的路径,我们需要根据文件名查找该文件所在文件服务器上的路径,数据量大概有2000W左右。

按照我们约定的规则进行分库,规则就是随机分配,我们可以部署8台缓存服务器,每台服务器大概含有500W条数据,并且进行主从复制,示意图如下:

由于规则是随机的,所有我们的一条数据都有可能存储在任何一组Redis中,例如上图我们用户查找一张名称为”a.png”的图片,由于规则是随机的,我们不确定具体是在哪一个Redis服务器上的,因此在最坏情况下,我们需要进行1、2、3、4,4次查询才能够查询到(也就是遍历了所有的Redis服务器),这样的解决方案显然效率很差。

有了解过的小伙伴可能会想到,随机的规则不行,可以使用类似于数据库中的分库分表规则:按照Hash值、取模、按照类别、按照某一个字段值等等常见的规则就可以出来了!好,按照我们的主题,我们就使用Hash的方式。

二、为Redis集群使用Hash

可想而知,如果我们使用Hash的方式,每一张图片在进行分库的时候都可以定位到特定的服务器,示意图如下:

上图中,假设我们查找的是”a.png”,由于有4台服务器(排除从库),因此公式为hash(a.png) % 4 = 2 ,可知定位到了第2号服务器,这样的话就不会遍历所有的服务器,大大提升了性能!

三、使用Hash的问题

上述的方式虽然提升了性能,我们不再需要对整个Redis服务器进行遍历!但是,使用上述Hash算法进行缓存时,会出现一些缺陷,主要体现在服务器数量变动的时候,所有缓存的位置都要发生改变!

想一下,如果4台缓存服务器已经不能满足我们的缓存需求,那么我们应该怎么做呢?很简单,多增加几台缓存服务器不就行了!

假设:我们增加了一台缓存服务器,那么缓存服务器的数量就由4台变成了5台。那么原本hash(a.png) % 4 = 2 的公式就变成了hash(a.png) % 5 = ?, 可想而知,这个结果肯定不是2。这种情况带来的结果就是当服务器数量变动时,所有缓存的位置都要发生改变!

换句话说,当服务器数量发生改变时,所有缓存在一定时间内是失效的,当应用无法从缓存中获取数据时,则会向后端数据库请求数据,所有查询压力都会落在数据库上,容易造成缓存雪崩。

再假设,假如4台缓存中突然有一台缓存服务器出现了故障,无法进行缓存,那么我们则需要将故障机器移除,但是如果移除了一台缓存服务器,那么缓存服务器数量从4台变为3台,同样会出现上述的问题!

总之,使用取模法进行缓存时,会因为服务器数量的改变导致结果的改变,无法避免这两种情况。

为了解决这些问题,Hash一致性算法(一致性Hash算法)诞生了!

四、一致性Hash算法原理

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,什么意思呢?

(1)hash环

简单来说,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),整个哈希环如下:

这里要深刻理解一下hash环是个怎样的结构。

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(首尾相连),我们把这个由2^32个点组成的圆环称为Hash环。

(2)在hash环上放置服务器

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,这样就能确定每台机器在哈希环上的位置。

假设现在我们有4个服务器节点,分别为NodeA,NodeB,NodeC,NodeD,使用hash函数计算这4个节点的hash值(结果范围会在0 ~ 2^32-1内)。

举个例子,hash(Node1) = m1,得到m1后,就可以知道Node1在hash环上的位置,我们可以把Node1想象成hash环上的一个点。

这四个节点经过hash算法后,就会得到四个不同的点,示意图如下:

这样我们就确定了hash环上四台服务器节点的位置。

(3)在hash环上放置对象

将数据的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。

假设现在我们有4个对象,分别为ObjectA,ObjectB,ObjectC,ObjectD,使用hash函数计算这4个对象的hash值(结果范围同样会在0 ~ 2^32-1内)。

(4)寻址

最关键的一步来了,我们现在已经知道hash环上四台服务器节点的位置、四个对象的位置,那么,如何知道这四个对象分别在哪台服务器上?

很简单,我们想象着一个对象沿着hash环往下走,他碰到的第一个节点就是对象所在的节点。

最后,我们的四个对象就能定位到四个节点上:

至此,我们可以写一个伪方法,通过一个对象的key,确定这个节点在哪个节点上:

比较简单的示例,寻址算法的原理大概就这样。

五、一致性Hash算法的容错性和可扩展性

现假设NodeC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NodeD(只有NodeC受到宕机的影响,不会全军覆没)。

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。

综上所述,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。

六、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NodeA上,而只有极少量会定位到NodeB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。

七、总结

感谢原文作者,相当清晰易懂,本文仅仅加入了少许我的理解。

一致性Hash算法主要偏向于理解,网上有不少比较成熟的解决方案,实现起来也不难,可以模拟一下。

发表评论

电子邮件地址不会被公开。 必填项已用*标注