一致性哈希算法优势在哪？如何实现？-Toy模板网

这篇具有很好参考价值的文章主要介绍了一致性哈希算法优势在哪？如何实现？。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1. 普通哈希算法

1.1 简介Hash

哈希算法即散列算法，是一种从任意文件中创造小的数字「指纹」的方法。与指纹一样，散列算法就是一种以较短的信息来保证文件唯一性的标志，这种标志与文件的每一个字节都相关，而且难以找到逆向规律。因此，当原有文件发生改变时，其标志值也会发生改变，从而告诉文件使用者当前的文件已经不是你所需求的文件。
简单hash算法在实现上为：目标 target = hash（key）% 质数

1.2 普通Hash算法缺陷

举个例子：现在有一个数据库m1，要对一个user表进行水平拆分为user_0,user_1,user_2 三张表，如何进行合理的数据映射？

使用普通的hash算法的策略：
根据user的id进行hash运算，从而映射到对应的表，这时候 target = hash(key) % 3，即user_0 放的user的id都是 3的整数，同理user_1,user_2存放的user的id分别为 3余1，3余2…

如果随着业务的增加，user表要从原来的三个增为五个user表，上述表达式变为 target = hash(key) % 5，这时所有记录的映射关系都会发生改变，导致我们需要对所有数据重新规整，放到对应的表中，这个任务量显然是巨大的…

2. 一致性哈希算法

一致性hash算法就是为了解决普通hash算法带来的痛点。

2.1 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，一致性Hash算法将整个哈希值空间组织成一个虚拟的圆环，将各个服务器使用Hash进行计算，具体可以根据关键字进行哈希，这样每个记录就能确定其在哈希环上的位置。

可参考 https://blog.csdn.net/a745233700/article/details/120814088

2.2 一致性hash算法的代码实现

具体的项目实践，可参考这篇博客： Sharding-JDBC 一致性hash算法数据库分片实践文章来源地址https://www.toymoban.com/news/detail-436911.html


import java.security.MessageDigest;
import java.security.NoSuchAlgorithmException;
import java.util.ArrayList;
import java.util.Collection;
import java.util.SortedMap;
import java.util.TreeMap;
 public class ConsistentHashing {
     // 一致性哈希算法中使用的哈希函数，默认使用FNV1_32_HASH
    private HashFunction hashFunction;
    // 虚拟节点个数
    private int numberOfReplicas;
    // 使用TreeMap来存储虚拟节点的哈希值和物理节点的映射关系
    private SortedMap<Integer, String> circle = new TreeMap<>();
     /**
     * 构造函数，初始化哈希函数和虚拟节点个数
     * @param hashFunction 哈希函数
     * @param numberOfReplicas 虚拟节点个数
     */
    public ConsistentHashing(HashFunction hashFunction, int numberOfReplicas) {
        this.hashFunction = hashFunction;
        this.numberOfReplicas = numberOfReplicas;
    }
     /**
     * 添加物理节点
     * @param node 物理节点名称
     */
    public void addNode(String node) {
        for (int i = 0; i < numberOfReplicas; i++) {
            // 对于每个物理节点，根据其名称和编号生成一个虚拟节点，并将其添加到虚拟节点环中
            int hashValue = hashFunction.getHash(node + i);
            circle.put(hashValue, node);
        }
    }
     /**
     * 删除物理节点
     * @param node 物理节点名称
     */
    public void removeNode(String node) {
        for (int i = 0; i < numberOfReplicas; i++) {
            // 对于每个物理节点，根据其名称和编号生成一个虚拟节点，并将其从虚拟节点环中删除
            int hashValue = hashFunction.getHash(node + i);
            circle.remove(hashValue);
        }
    }
     /**
     * 根据给定的key选择一个物理节点
     * @param key key
     * @return 物理节点名称
     */
    public String getNode(String key) {
        if (circle.isEmpty()) {
            return null;
        }
        int hashValue = hashFunction.getHash(key);
        // 如果环中不存在大于该hash值的节点，则直接返回环中最小的节点
        if (!circle.containsKey(hashValue)) {
            SortedMap<Integer, String> tailMap = circle.tailMap(hashValue);
            hashValue = tailMap.isEmpty() ? circle.firstKey() : tailMap.firstKey();
        }
        return circle.get(hashValue);
    }
     /**
     * 返回所有的物理节点
     * @return
     */
    public Collection<String> getAllNodes() {
        return new ArrayList<>(circle.values());
    }
     /**
     * 哈希函数接口
     */
    public interface HashFunction {
        int getHash(String key);
    }
     /**
     * FNV1_32_HASH算法，使用32位的FNV做hash，对于相同的字符串，不同的种子会产生不同的hash值
     */
    public static class FNV1_32_HASH implements HashFunction {
         public int getHash(String key) {
            final int p = 16777619;
            int hash = (int) 2166136261L;
            for (int i = 0; i < key.length(); i++) {
                hash = (hash ^ key.charAt(i)) * p;
            }
            hash += hash << 13;
            hash ^= hash >> 7;
            hash += hash << 3;
            hash ^= hash >> 17;
            return hash;
        }
    }
 }