偶来给大家讲讲一致性hash算法，如果有理解错误的地方，也请大家留言指正。
单台服务器
就拿Redis来举例吧，大家经常会用Redis做缓存，把一些数据放在上面，以减少数据的压力。
当数据量少，访问压力不大的时候，通常一台Redis就能搞定，为了高可用，弄个主从也就足够了；
多台服务器数据分布的问题
当数据量变大，并发量也增加的时候，把全部的缓存数据放在一台机器上就有些吃力了，毕竟一台机器的资源是有限的，通常大家会搭建集群环境，让数据尽量平均的放到每一台Redis中，比如大家的集群中有三台Redis。
那么如何把数据尽量平均地放到这三台Redis中呢？最简单的就是求余算法：hash(key)%N，在这里N=3。
看起来非常地美好，因为依靠这样的方法，大家可以让数据平均存储到三台Redis中，当有新的请求过来的时候，大家也可以定位数据会在哪台Redis中，这样可以精确地查询到缓存数据。
但是注意了，如果要增加一台Redis，或者三台中的一台Redis发生了故障变成了两台，那么这个求余算法就会变成：hash(key)%4或者hash(key)%2；那么可以想象一下，当前大部分缓存的位置都会是错误的，极端情况下，所有的缓存的位置都要发生改变，这样会造成【缓存雪崩】。
一致性hash算法
一致性hash算法可以很好地解决这个问题，它的大概过程是：
把0作为起点，2^32-1作为终点，画一条直线，再把起点和终点重合，直线变成一个圆，方向是顺时针从小到大。0的右侧第一个点是1，然后是2，以此类推。
对三台服务器的IP或其他关键字进行hash后对2^32取模，这样势必能落在这个圈上的某个位置，记为Node1、Node2、Node3（图1）。
然后对数据key进行相同的操作，势必也会落在圈上的某个位置；然后顺时针行走，可以找到某一个Node，这就是这个key要储存的服务器（图2）。
如果增加一台服务器或者删除一台服务器，只会影响部分小部分数据（图3）。
如果节点太少或分布不均匀的时候，容易造成数据倾斜，也就是被数据会集中在某一台服务器上（图4）。
为了解决数据倾斜问题，一致性Hash算法提出了【虚拟节点】，会对每一个服务节点计算多个哈希，然后放到圈上的不同位置（图5）。
原谅偶的小学生字体，下一次偶一定好好地画一画图，电脑上画的那种。
偶将持续分享Java开发、架构设计、程序员职业发展等方面的见解，希望能得到你的关注。
