分布式哈希与一致性哈希
分布式哈希表(DHT: Distributed Hash Table)
我们将散列表放在一个机器的内存里，当散列表比较小时候，没有问题，但如果这张散列表超过了一台机器的内存时候，或者当存储在一台机器上时候，这台机器挂掉了，那所有的数据都会消失……
那现在我们又该怎么做呢？
这便需要引入DHT来处理这种情况了，说白了就是将一张哈希表分割在不同的机器上。
首先，将上面所说的散列空间0,1...9想像成一个首尾相衔的环,9之后又重新回到零，假设，这就是十台机器。
文章图片
【分布式哈希与一致性哈希】这样我们根据散列算法就可以将不同的学生映射到不同的机器上，实现了数据的分布。
一致性哈希(consistent hashing)
好了，上面我们使用DHT实现了数据的分布式存储，但再考虑深一层，分布式架构中，节点的故障是不可避免的，当添加和删除某一节点了，会导致大量散列数据失效，需要重新散列。
影响非常大，那我们用什么哈希算法来实现DHT才能尽量的避免这种情况呢，这便说到了一致性哈希。
consistent hashing 是一种 hash 算法，简单的说，在移除 / 添加一个 cache 时，它能够尽可能小的改变已存在 key 映射关系。
刚刚我们把学生散列到了hash数值空间里，现在我们需要的是，同时将机器也散列在这个hash空间，让学生和机器的散列值同处在一个数值空间。
文章图片
如上图所示，如果我们将学生和机器同时散列在一个环中，那么假设小张散列后的值为6，我们顺时针寻找，寻找到的第一台机器，则将小张放入其中。
依次类推，则得到：
小王——>机器一
小明——>机器二
小红——>机器三
小张——>机器四
假设我们机器三失效了，那这时候影响到的仅仅是小红，重新散列到机器四中。
而如果重新加入一台新的机器，影响到的也仅仅是旁边的一台机器，这样便解决了添加删除机器时候的震荡问题，这便是一致性hash的大致思想。
推荐阅读
- JAVA（抽象类与接口的区别&重载与重写&内存泄漏）
- Docker应用:容器间通信与Mariadb数据库主从复制
- 《真与假的困惑》???|《真与假的困惑》??? ——致良知是一种伟大的力量
- 第326天
- Shell-Bash变量与运算符
- 逻辑回归的理解与python示例
- Guava|Guava RateLimiter与限流算法
- 我和你之前距离
- CGI，FastCGI，PHP-CGI与PHP-FPM
- 原生家庭之痛与超越