---

菜菜呀，由于公司业务不断扩大，线上分布式缓存服务器扛不住了呀 程序员主力 Y总

如果加硬件能解决的问题，那就不需要修改程序

菜菜

我是想加服务器来解决这个问题，但是有个问题呀

程序员主力 Y总

？？？

菜菜

你忘了去年分布式缓存服务器也扩容过一次，很多请求都穿透了，DB差点扛不住呀，这次再扩容DB估计就得挂了

程序员主力 Y总

为什么会有这么多请求穿透呢？公司的缓存策略是什么？

菜菜

很简单，根据缓存数据key的哈希值然后和缓存服务器个数取模，即：服务器信息=hash(key)%服务器数量

程序员主力 Y总

这样的话，增加一台服务器，岂不是大部分的缓存几乎都命中不了了？

菜菜

给你半天，把这个机制优化一下，你要加油呀

程序员主力 Y总

工资能不能涨一点?

菜菜

将来公司发达了，给你发股票......

程序员主力 Y总

心想：呸！！

菜菜 又是一个没有开工红包的公司！！！

问题分析

  过以上对话，各位是否能够猜到所有缓存穿透的原因呢？回答之前我们先来看一下缓存策略的具体代码：

缓存服务器IP=hash(key)%服务器数量

        

    这里还要多说一句，key的取值可以根据具体业务具体设计。比如，我想要做负载均衡，key可以为调用方的服务器IP；获取用户信息，key可以为用户ID；等等。

        在服务器数量不变的情况下，以上设计没有问题。但是要知道，程序员的现实世界是悲惨的，唯一不变的就是业务一直在变。我本无奈，只能靠技术来改变这种状况。

        假如我们现在服务器的数量为10，当我们请求key为6的时候，结果是4，现在我们增加一台服务器，服务器数量变为11，当再次请求key为6的服务器的时候，结果为5.不难发现，不光是key为6的请求，几乎大部分的请求结果都发生了变化，这就是我们要解决的问题， 这也是我们设计分布式缓存等类似场景时候主要需要注意的问题。

我们终极的设计目标是：在服务器数量变动的情况下

1. 尽量提高缓存的命中率（转移的数据最少）
2. 缓存数据尽量平均分配

解决方案

        通过以上的分析我们明白了，造成大量缓存失效的根本原因是公式分母的变化，如果我们把分母保持不变，基本上可以减少大量数据被移动

        如果基于公式：缓存服务器IP=hash(key)%服务器数量 我们保持分母不变，基本上可以改善现有情况。我们选择缓存服务器的策略会变为：

缓存服务器IP=hash(key)%N （N为常数）

        N的数值选择，可以根据具体业务选择一个满足情况的值。比如：我们可以肯定将来服务器数量不会超过100台，那N完全可以设定为100。那带来的问题呢？

         目前的情况可以认为服务器编号是连续的，任何一个请求都会命中一个服务器，还是以上作为例子，我们服务器现在无论是10还是增加到11，key为6的请求总是能获取到一台服务器信息，但是现在我们的策略公式分母为100，如果服务器数量为11，key为20的请求结果为20，编号为20的服务器是不存在的。

         以上就是简单哈希策略带来的问题（简单取余的哈希策略可以抽象为连续的数组元素，按照下标来访问的场景）

 为了解决以上问题，业界早已有解决方案，那就是一致性哈希。

一致性哈希算法在1997年由麻省理工学院的Karger等人在解决分布式Cache中提出的，设计目标是为了解决因特网中的热点(Hot spot)问题，初衷和CARP十分类似。一致性哈希修正了CARP使用的简单哈希算法带来的问题，使得DHT可以在P2P环境中真正得到应用。

一致性哈希具体的特点，请各位百度，这里不在详细介绍。至于解决问题的思路这里还要强调一下:

1. 首先求出服务器（节点）的哈希值，并将其配置到环上，此环有2^32个节点。

2.  采用同样的方法求出存储数据的键的哈希值，并映射到相同的圆上。

3.  然后从数据映射到的位置开始顺时针查找，将数据保存到找到的第一个服务器上。如果超过2^32仍然找不到服务器，就会保存到第一台服务器上

当增加新的服务器的时候会发生什么情况呢？

    通过上图我们可以发现发生变化的只有如黄色部分所示。删除服务器情况类似。

    通过以上介绍，一致性哈希正是解决我们目前问题的一种方案。解决方案千万种，能解决问题即为好

优化方案

        到目前为止方案都看似完美，但现实是残酷的。以上方案虽好，但还存在瑕疵。假如我们有3台服务器，理想状态下服务器在哈希环上的分配如下图：

但是现实往往是这样：

        这就是所谓的哈希环偏斜。分布不均匀在某些场景下会依次压垮服务器，实际生产环境一定要注意这个问题。为了解决这个问题，虚拟节点应运而生。

        如上图，哈希环上不再是实际的服务器信息，而是服务器信息的映射信息，比如：ServerA-1,ServerA-2 都映射到服务器A，在环上是服务器A的一个复制品。这种解决方法是利用数量来达到均匀分布的目的，随之需要的内存可能会稍微大一点，算是空间换取设计的一种方案。

扩展阅读

1. 既然是哈希就会有哈希冲突，那多个服务器节点的哈希值相同该怎么办呢？我们可以采用散列表寻址的方案：从当前位置顺时针开始查找空位置，直到找到一个空位置。如果未找到，菜菜认为你的哈希环是不是该扩容了，或者你的分母参数是不是太小了呢。

2.  在实际的业务中，增加服务器或者减少服务器的操作要比查找服务器少的多，所以我们存储哈希环的数据结构的查找速度一定要快，具体说来本质是：自哈希环的某个值起，能快速查找第一个不为空的元素。

3.  如果你度娘过你就会发现，网上很多介绍虚拟哈希环节点个数为2^32(2的32次方)，千篇一律。难道除了这个个数就不可以吗？在菜菜看来，这个数目完全必要这么大，只要符合我们的业务需求，满足业务数据即可。

4.  一致性哈希用到的哈希函数，不止要保证比较高的性能，还要保持哈希值的尽量平均分布，这也是一个工业级哈希函数的要求，一下代码实例的哈希函数其实不是最佳的，有兴趣的同学可以优化一下。

5.  有些语言自带的GetHashCode（）方法应用于一致性哈希是有问题的，例如c/#。程序重启之后同一个字符串的哈希值是变动的。所有需要一个更加稳定的字符串转int的哈希算法

一致性哈希解决的本质问题是：相同的key通过相同的哈希函数，能正确路由到相同的目标。像我们平时用的数据库分表策略，分库策略，负载均衡，数据分片等都可以用一致性哈希来解决。

理论结合实际才是真谛(NetCore代码)

以下代码经过少许修改可直接应用于中小项目生产环境。由于不知为何博客园的代码颜色有点晃眼，明明后台显示是正常的。有兴趣的同学可以点击这里去公众号查看。传送门 //真实节点的信息     public abstract class NodeInfo     {         public abstract string NodeName { get; }     }

测试程序所用节点信息：

    class Server : NodeInfo         {             public string IP { get; set; }             public override string NodeName             {                 get => IP;             }         }

以下为一致性哈希核心代码：

 /// 

    /// 1.采用虚拟节点方式  2.节点总数可以自定义  3.每个物理节点的虚拟节点数可以自定义     /// 

    public class ConsistentHash     {         //哈希环的虚拟节点信息         public class VirtualNode         {             public string VirtualNodeName { get; set; }             public NodeInfo Node { get; set; }         }         //添加元素 删除元素时候的锁，来保证线程安全，或者采用读写锁也可以         private readonly object objLock = new object();         //虚拟环节点的总数量，默认为100         int ringNodeCount;         //每个物理节点对应的虚拟节点数量         int virtualNodeNumber;         //哈希环，这里用数组来存储         public VirtualNode[] nodes = null;         public ConsistentHash(int _ringNodeCount = 100, int _virtualNodeNumber = 3)         {             if (_ringNodeCount <= 0 || _virtualNodeNumber <= 0)             {                 throw new Exception("_ringNodeCount和_virtualNodeNumber 必须大于0");             }             this.ringNodeCount = _ringNodeCount;             this.virtualNodeNumber = _virtualNodeNumber;             nodes = new VirtualNode[_ringNodeCount];         }         //根据一致性哈希key 获取node信息,查找操作请业务方自行处理超时问题，因为多线程环境下，环的node可能全被清除         public NodeInfo GetNode(string key)         {             var ringStartIndex = Math.Abs(GetKeyHashCode(key) % ringNodeCount);             var vNode = FindNodeFromIndex(ringStartIndex);             return vNode == null ? null : vNode.Node;         }         //虚拟环添加一个物理节点         public void AddNode(NodeInfo newNode)         {             var nodeName = newNode.NodeName;             int virtualNodeIndex = 0;             lock (objLock)             {                 //把物理节点转化为虚拟节点                 while (virtualNodeIndex < virtualNodeNumber)                 {                     var vNodeName = $"{nodeName}/#{virtualNodeIndex}";                     var findStartIndex = Math.Abs(GetKeyHashCode(vNodeName) % ringNodeCount);                     var emptyIndex = FindEmptyNodeFromIndex(findStartIndex);                     if (emptyIndex < 0)                     {                         // 已经超出设置的最大节点数                         break;                     }                     nodes[emptyIndex] = new VirtualNode() { VirtualNodeName = vNodeName, Node = newNode };                     virtualNodeIndex++;                 }             }         }         //删除一个虚拟节点         public void RemoveNode(NodeInfo node)         {             var nodeName = node.NodeName;             int virtualNodeIndex = 0;             List lstRemoveNodeName = new List();             while (virtualNodeIndex < virtualNodeNumber)             {                 lstRemoveNodeName.Add($"{nodeName}/#{virtualNodeIndex}");                 virtualNodeIndex++;             }             //从索引为0的位置循环一遍，把所有的虚拟节点都删除             int startFindIndex = 0;             lock (objLock)             {                 while (startFindIndex < nodes.Length)                 {                     if (nodes[startFindIndex] != null && lstRemoveNodeName.Contains(nodes[startFindIndex].VirtualNodeName))                     {                         nodes[startFindIndex] = null;                     }                     startFindIndex++;                 }             }         }         //哈希环获取哈希值的方法，因为系统自带的gethashcode，重启服务就变了         protected virtual int GetKeyHashCode(string key)         {             var sh = new SHA1Managed();             byte[] data = sh.ComputeHash(Encoding.Unicode.GetBytes(key));             return BitConverter.ToInt32(data, 0);         }         /#region 私有方法         //从虚拟环的某个位置查找第一个node         private VirtualNode FindNodeFromIndex(int startIndex)         {             if (nodes == null || nodes.Length <= 0)             {                 return null;             }             VirtualNode node = null;             while (node == null)             {                 startIndex = GetNextIndex(startIndex);                 node = nodes[startIndex];             }             return node;         }         //从虚拟环的某个位置开始查找空位置         private int FindEmptyNodeFromIndex(int startIndex)         {             while (true)             {                 if (nodes[startIndex] == null)                 {                     return startIndex;                 }                 var nextIndex = GetNextIndex(startIndex);                 //如果索引回到原地，说明找了一圈，虚拟环节点已经满了，不会添加                 if (nextIndex == startIndex)                 {                     return -1;                 }                 startIndex = nextIndex;             }         }         //获取一个位置的下一个位置索引         private int GetNextIndex(int preIndex)         {             int nextIndex = 0;             //如果查找的位置到了环的末尾，则从0位置开始查找             if (preIndex != nodes.Length - 1)             {                 nextIndex = preIndex + 1;             }             return nextIndex;         }         /#endregion     }

测试生成的节点

            ConsistentHash h = new ConsistentHash(200, 5);             h.AddNode(new Server() { IP = "192.168.1.1" });             h.AddNode(new Server() { IP = "192.168.1.2" });             h.AddNode(new Server() { IP = "192.168.1.3" });             h.AddNode(new Server() { IP = "192.168.1.4" });             h.AddNode(new Server() { IP = "192.168.1.5" });             for (int i = 0; i < h.nodes.Length; i++)             {                 if (h.nodes[i] != null)                 {                     Console.WriteLine($"{i}===={h.nodes[i].VirtualNodeName}");                 }             }

输出结果(还算比较均匀)：

2====192.168.1.3/#4 10====192.168.1.1/#0 15====192.168.1.3/#3 24====192.168.1.2/#2 29====192.168.1.3/#2 33====192.168.1.4/#4 64====192.168.1.5/#1 73====192.168.1.4/#3 75====192.168.1.2/#0 77====192.168.1.1/#3 85====192.168.1.1/#4 88====192.168.1.5/#4 117====192.168.1.4/#1 118====192.168.1.2/#4 137====192.168.1.1/#1 152====192.168.1.2/#1 157====192.168.1.5/#2 158====192.168.1.2/#3 159====192.168.1.3/#0 162====192.168.1.5/#0 165====192.168.1.1/#2 166====192.168.1.3/#1 177====192.168.1.5/#3 185====192.168.1.4/#0 196====192.168.1.4/#2

测试一下性能

            Stopwatch w = new Stopwatch();             w.Start();             for (int i = 0; i < 100000; i++)             {                 var aaa = h.GetNode("test1");             }             w.Stop();             Console.WriteLine(w.ElapsedMilliseconds);

输出结果（调用10万次耗时657毫秒）：

657

写在最后

以上代码实有优化空间

1. 哈希函数
2. 很多for循环的临时变量

有兴趣优化的同学可以留言哦!!

---