[[284994]]

數(shù)據(jù)分片

先讓我們看一個例子吧

我們經(jīng)常會用 Redis 做緩存，把一些數(shù)據(jù)放在上面，以減少數(shù)據(jù)的壓力。

當數(shù)據(jù)量少，訪問壓力不大的時候，通常一臺Redis就能搞定，為了高可用，弄個主從也就足夠了;

當數(shù)據(jù)量變大，并發(fā)量也增加的時候，把全部的緩存數(shù)據(jù)放在一臺機器上就有些吃力了，畢竟一臺機器的資源是有限的，通常我們會搭建集群環(huán)境，讓數(shù)據(jù)盡量平均的放到每一臺 Redis 中，比如我們的集群中有 4 臺Redis。

那么如何把數(shù)據(jù)盡量平均地放到這 4 臺Redis中呢?最簡單的就是取模算法：

hash( key ) % N，N 為 Redis 的數(shù)量，在這里 N = 4 ;

看起來非常得美好，因為依靠這樣的方法，我們可以讓數(shù)據(jù)平均存儲到 4 臺 Redis 中，當有新的請求過來的時候，我們也可以定位數(shù)據(jù)會在哪臺 Redis 中，這樣可以精確地查詢到緩存數(shù)據(jù)。

02數(shù)據(jù)分片會遇到的問題

但是 4 臺 Redis 不夠了，需要再增加 4 臺 Redis ;

那么這個求余算法就會變成：hash( key ) % 8 ;

那么可以想象一下，當前大部分緩存的位置都會是錯誤的，極端情況下，就會造成 緩存雪崩。

03一致性 Hash 算法

一致性 Hash 算法可以很好地解決這個問題，它的大概過程是這樣的：

把 0 作為起點，2^32-1 作為終點，畫一條直線，再把起點和終點重合，直線變成一個圓，方向是順時針從小到大。0 的右側(cè)第一個點是 1 ，然后是 2 ，以此類推。

對三臺服務(wù)器的 IP 或其他關(guān)鍵字進行 hash 后對 2^32 取模，這樣勢必能落在這個圈上的某個位置，記為 Node1、Node2、Node3。

然后對數(shù)據(jù) key 進行相同的操作，勢必也會落在圈上的某個位置;然后順時針行走，可以找到某一個 Node，這就是這個 key 要儲存的服務(wù)器。

如果增加一臺服務(wù)器或者刪除一臺服務(wù)器，只會影響 部分數(shù)據(jù)。

但如果節(jié)點太少或分布不均勻的時候，容易造成 數(shù)據(jù)傾斜，也就是大部分數(shù)據(jù)會集中在某一臺服務(wù)器上。

為了解決數(shù)據(jù)傾斜問題，一致性 Hash 算法提出了【虛擬節(jié)點】，會對每一個服務(wù)節(jié)點計算多個哈希，然后放到圈上的不同位置。

當然我們也可以發(fā)現(xiàn)，一致性 Hash 算法，也只是解決大部分數(shù)據(jù)的問題。