一致性哈希算法
使用場景
現在我們假設有100台redis data服務器，一份數據101進來的時候，以散列公式hash(i)&100，計算所存放的服務器，假設hash(i) = i,那么數據被散列到標號為1的服務器,然后這個時候服務器新增了一台，然后散列公式為hash(i)%101，這個時候請求訪問數據101的時候，被分配至0號服務器，但是其實這個時候數據是在1號服務器的。
所以這個時候大量的數據失效了（訪問不到了）。
所以這個時候，我們假設是新增了服務器，如果是持久化存儲的，我們可以讓服務器集群對數據進行重新散列，進行數據遷移，然后進行恢復，但是這個時候就意味着每次增減服務器的時候，集群就需要大量的通信，進行數據遷移，這個開銷是非常大的。如果只是緩存，那么緩存就都失效了。所以這個時候怎么辦？
我們可以看到，關鍵問題在於，服務器數量變動的時候，要能夠保證舊的數據能夠按照老的算法，計算到數據所在的服務器，而新的數據能夠按照新的散列算法，計算出數據所在的服務器。
如上圖，我們有ABCD四台服務器，這四台服務器被分配至0~232 的一個環上，比如0~230的存儲在A服務器，230 +1~231 存儲到B服務器上.....CD按照這樣的進行均分。將我們的散列空間也划為0~232 ，然后數據進來后對232 取模，得到一個值K1，我們根據K1在環上所處的位置，得到所分配到的服務器，如圖，K1被分配到B服務器。 這個時候，我們有一台服務器B失效了。
我們可以看到，如果是B失效了，那么如果有持久化存儲的，需要做數據恢復，將B的數據遷移至C即可，對於原本散列在A和D的數據，不需要做任何改變。 同理，如果我們是新增了服務器，那么只需要對一台服務器的數據遷移一部分至新加的服務器即可。
一致性hash算法，減少了數據映射關系的變動，不會像hash(i)%N那樣帶來全局的變動
而且這樣還有個好處，假設我們使用UID作為散列范圍（即上面的232 ）,那么假設有部分UID的訪問很頻繁，而且這部分UID集中在B服務器上，那么就造成了B的負載遠遠高於其他服務器。這就是熱點數據的問題。這個時候我們可以向B所在的UID空間添加服務器，減少B的壓力。
其實還有個更好的解決辦法：虛擬節點。
上面說的情況是，使用真實的服務器作為節點散列在232 上。 我們假設，只有4台服務器（如上圖），然后A上面有熱點數據，結果A掛掉了，然后做數據恢復，A的數據遷移至B，然后B需要承受A+B的數據，也承受不住，也掛了。。。。然后繼續CD都掛了。這就造成了
雪崩效應。
上面會造成雪崩效應的原因分析：
如果不存在熱點數據的時候，每台機器的承受的壓力是M/2(假設每台機器的最高負載能力為M)，原本是不會有問題的，但是，這個時候A服務器由於有熱點數據掛了，然后A的數據遷移至B，導致B所需要承受的壓力變為M（還不考慮熱點數據訪問的壓力），所以這個失敗B是必掛的，然后C至少需要承受1.5M的壓力。。。。然后大家一起掛。。。
所以我們通過上面可以看到，之所以會大家一起掛，原因在於如果一台機器掛了，那么它的壓力全部被分配到一台機器上，導致雪崩。
如果我們A掛了以后，數據被平均分配到BCD上，每台機器多承受M/6的壓力，然后大家就都不會掛啦（不考慮熱點數據）。
這里引入虛擬節點，如圖：
環上的空間被划分為8份，然后A存儲A1和A2。。。
這個時候，如果A服務器掛了，訪問壓力會分配至C2和D1，也就是C和D服務器，而不是像前面，全部被分配到B上。
引入虛擬節點，主要在於，如果一台服務器掛了，能夠將壓力引流至不同的服務器。
總結：一致性hash算法（DHT）通過減少影響范圍的方式解決了增減服務器導致的數據散列問題，從而解決了分布式環境下負載均衡問題，如果存在熱點數據，那么通過增添節點的方式，對熱點區間進行划分，將壓力分配至其他服務器。重新達到負載均衡的狀態。
tair的負載均衡就是采用的一致性hash算法啦~~~
一致性hash算法在分布式環境中應用的很廣，只要是涉及到分布式存儲的負載均衡問題，一致性hash都是很好的解決的方案。