點擊上方 "程序員小樂"關注, 星標或置頂一起成長
每天凌晨00點00分, 第一時間與你相約
每日英文
If you concentrate on the ONE thing in your life that makes you truly happy... everything else in your life will fall into place.
如果人只關注著真正帶給自己快樂的事，那其餘一切，就都清晰明瞭了。
每日掏心話
任何經歷，都是一種積累；積累越多，人就越成熟。經歷越多，生命就越有長度；經歷越廣，生命就越有厚度；
來自：MarkLux | 責編：樂樂
鏈接：marklux.cn/blog/90
程序員小樂(ID:study_tech)第 837 次推文 圖片來自百度
往日回顧：Springboot + Vue + shiro 實現前後端分離、權限控制
正文
簡介
一致性Hash是一種特殊的Hash算法，由於其均衡性、持久性的映射特點，被廣泛的應用於負載均衡領域，如nginx和memcached都採用了一致性Hash來作為集群負載均衡的方案。
本文將介紹一致性Hash的基本思路，並討論其在分佈式緩存集群負載均衡中的應用。同時也會進行相應的代碼測試來驗證其算法特性，並給出和其他負載均衡方案的一些對比。
一致性Hash算法簡介
在瞭解一致性Hash算法之前，先來討論一下Hash本身的特點。普通的Hash函數最大的作用是散列，或者說是將一系列在形式上具有相似性質的數據，打散成隨機的、均勻分佈的數據。
比如，對字符串abc和abcd分別進行md5計算，得到的結果如下：
可以看到，兩個在形式上非常相近的數據經過md5散列後，變成了完全隨機的字符串。負載均衡正是利用這一特性，對於大量隨機的請求或調用，通過一定形式的Hash將他們均勻的散列，從而實現壓力的平均化。（當然，並不是只要使用了Hash就一定能夠獲得均勻的散列，後面會分析這一點。）
舉個例子，如果我們給每個請求生成一個Key，只要使用一個非常簡單的Hash算法Group = Key % N來實現請求的負載均衡，如下：
（如果將Key作為緩存的Key，對應的Group儲存該Key的Value，就可以實現一個分佈式的緩存系統，後文的具體例子都將基於這個場景）
不難發現，這樣的Hash只要集群的數量N發生變化，之前的所有Hash映射就會全部失效。如果集群中的每個機器提供的服務沒有差別，倒不會產生什麼影響，但對於分佈式緩存這樣的系統而言，映射全部失效就意味著之前的緩存全部失效，後果將會是災難性的。
一致性Hash通過構建環狀的Hash空間代替線性Hash空間的方法解決了這個問題，如下圖：
整個Hash空間被構建成一個首尾相接的環，使用一致性Hash時需要進行兩次映射。
第一次，給每個節點（集群）計算Hash，然後記錄它們的Hash值，這就是它們在環上的位置。
第二次，給每個Key計算Hash，然後沿著順時針的方向找到環上的第一個節點，就是該Key儲存對應的集群。
分析一下節點增加和刪除時對負載均衡的影響，如下圖：
可以看到，當節點被刪除時，其餘節點在環上的映射不會發生改變，只是原來打在對應節點上的Key現在會轉移到順時針方向的下一個節點上去。增加一個節點也是同樣的，最終都只有少部分的Key發生了失效。不過發生節點變動後，整體系統的壓力已經不是均衡的了，下文中提到的方法將會解決這個問題。
問題與優化
最基本的一致性Hash算法直接應用於負載均衡系統，效果仍然是不理想的，存在諸多問題，下面就對這些問題進行逐個分析並尋求更好的解決方案。
數據傾斜
如果節點的數量很少，而hash環空間很大（一般是 0 ~ 2^32），直接進行一致性hash上去，大部分情況下節點在環上的位置會很不均勻，擠在某個很小的區域。最終對分佈式緩存造成的影響就是，集群的每個實例上儲存的緩存數據量不一致，會發生嚴重的數據傾斜。
緩存雪崩
如果每個節點在環上只有一個節點，那麼可以想象，當某一集群從環中消失時，它原本所負責的任務將全部交由順時針方向的下一個集群處理。例如，當group0退出時，它原本所負責的緩存將全部交給group1處理。這就意味著group1的訪問壓力會瞬間增大。
設想一下，如果group1因為壓力過大而崩潰，那麼更大的壓力又會向group2壓過去，最終服務壓力就像滾雪球一樣越滾越大，最終導致雪崩。
引入虛擬節點
解決上述兩個問題最好的辦法就是擴展整個環上的節點數量，因此我們引入了虛擬節點的概念。一個實際節點將會映射多個虛擬節點，這樣Hash環上的空間分割就會變得均勻。
同時，引入虛擬節點還會使得節點在Hash環上的順序隨機化，這意味著當一個真實節點失效退出後，它原來所承載的壓力將會均勻地分散到其他節點上去。
如下圖：
代碼測試
現在我們嘗試編寫一些測試代碼，來看看一致性hash的實際效果是否符合我們預期。
首先我們需要一個能夠對輸入進行均勻散列的Hash算法，可供選擇的有很多，memcached官方使用了基於md5的KETAMA算法，但這裡處於計算效率的考慮，使用了FNV1_32_HASH算法，如下：public class HashUtil {
/**
* 計算Hash值, 使用FNV1_32_HASH算法
* @param str
* @return
*/
public static int getHash(String str) {
final int p = 16777619;
int hash = (int)2166136261L;
for (int i = 0; i < str.length(); i++) {
hash =( hash ^ str.charAt(i) ) * p;
}
hash += hash << 13;
hash ^= hash >> 7;
hash += hash << 3;
hash ^= hash >> 17;
hash += hash << 5;
if (hash < 0) {
hash = Math.abs(hash);
}
return hash;
}
}
實際使用時可以根據需求調整。
接著需要使用一種數據結構來保存hash環，可以採用的方案有很多種，最簡單的是採用數組或鏈表。但這樣查找的時候需要進行排序，如果節點數量多，速度就可能變得很慢。
針對集群負載均衡狀態讀多寫少的狀態，很容易聯想到使用二叉平衡樹的結構去儲存，實際上可以使用TreeMap（內部實現是紅黑樹）來作為Hash環的儲存結構。
先編寫一個最簡單的，無虛擬節點的Hash環測試： public class ConsistentHashingWithoutVirtualNode {
/**
* 集群地址列表
*/
private static String[] groups = {
"192.168.0.0:111", "192.168.0.1:111", "192.168.0.2:111",
"192.168.0.3:111", "192.168.0.4:111"
};
/**
* 用於保存Hash環上的節點
*/
private static SortedMap<integer> sortedMap = new TreeMap<>();
/**
* 初始化，將所有的服務器加入Hash環中
*/
static {
// 使用紅黑樹實現，插入效率比較差，但是查找效率極高
for (String group : groups) {
int hash = HashUtil.getHash(group);
System.out.println("[" + group + "] launched @ " + hash);
sortedMap.put(hash, group);
}
}
/**
* 計算對應的widget加載在哪個group上
*
* @param widgetKey
* @return
*/
private static String getServer(String widgetKey) {
int hash = HashUtil.getHash(widgetKey);
// 只取出所有大於該hash值的部分而不必遍歷整個Tree
SortedMap<integer> subMap = sortedMap.tailMap(hash);
if (subMap == null || subMap.isEmpty()) {
// hash值在最尾部，應該映射到第一個group上
return sortedMap.get(sortedMap.firstKey());
}
return subMap.get(subMap.firstKey());
}
public static void main(String[] args) {
// 生成隨機數進行測試
Map<string> resMap = new HashMap<>();
for (int i = 0; i < 100000; i++) {
Integer widgetId = (int)(Math.random() * 10000);
String server = getServer(widgetId.toString());
if (resMap.containsKey(server)) {
resMap.put(server, resMap.get(server) + 1);
} else {
resMap.put(server, 1);
}
}
resMap.forEach(
(k, v) -> {
System.out.println("group " + k + ": " + v + "(" + v/1000.0D +"%)");
}
);
}
}
生成10000個隨機數字進行測試，最終得到的壓力分佈情況如下：[192.168.0.1:111] launched @ 8518713
[192.168.0.2:111] launched @ 1361847097
[192.168.0.3:111] launched @ 1171828661
[192.168.0.4:111] launched @ 1764547046
group 192.168.0.2:111: 8572(8.572%)
group 192.168.0.1:111: 18693(18.693%)
group 192.168.0.4:111: 17764(17.764%)
group 192.168.0.3:111: 27870(27.87%)
group 192.168.0.0:111: 27101(27.101%)
/<string>/<integer>/<integer>
可以看到壓力還是比較不平均的，所以我們繼續，引入虛擬節點：
public class ConsistentHashingWithVirtualNode {
/**
* 集群地址列表
*/
private static String[] groups = {
"192.168.0.0:111", "192.168.0.1:111", "192.168.0.2:111",
"192.168.0.3:111", "192.168.0.4:111"
};
/**
* 真實集群列表
*/
private static List<string> realGroups = new LinkedList<>();
/**
* 虛擬節點映射關係
*/
private static SortedMap<integer> virtualNodes = new TreeMap<>();
private static final int VIRTUAL_NODE_NUM = 1000;
static {
// 先添加真實節點列表
realGroups.addAll(Arrays.asList(groups));
// 將虛擬節點映射到Hash環上
for (String realGroup: realGroups) {
for (int i = 0; i < VIRTUAL_NODE_NUM; i++) {
String virtualNodeName = getVirtualNodeName(realGroup, i);
int hash = HashUtil.getHash(virtualNodeName);
System.out.println("[" + virtualNodeName + "] launched @ " + hash);
virtualNodes.put(hash, virtualNodeName);
}
}
}
private static String getVirtualNodeName(String realName, int num) {
return realName + "&&VN" + String.valueOf(num);
}
private static String getRealNodeName(String virtualName) {
return virtualName.split("&&")[0];
}
private static String getServer(String widgetKey) {
int hash = HashUtil.getHash(widgetKey);
// 只取出所有大於該hash值的部分而不必遍歷整個Tree
SortedMap<integer> subMap = virtualNodes.tailMap(hash);
String virtualNodeName;
if (subMap == null || subMap.isEmpty()) {
// hash值在最尾部，應該映射到第一個group上
virtualNodeName = virtualNodes.get(virtualNodes.firstKey());
}else {
virtualNodeName = subMap.get(subMap.firstKey());
}
return getRealNodeName(virtualNodeName);
}
public static void main(String[] args) {
// 生成隨機數進行測試
Map<string> resMap = new HashMap<>();
for (int i = 0; i < 100000; i++) {
Integer widgetId = i;
String group = getServer(widgetId.toString());
if (resMap.containsKey(group)) {
resMap.put(group, resMap.get(group) + 1);
} else {
resMap.put(group, 1);
}
}
resMap.forEach(
(k, v) -> {
System.out.println("group " + k + ": " + v + "(" + v/100000.0D +"%)");
}
);
}
}
/<string>/<integer>/<integer>/<string>
這裡真實節點和虛擬節點的映射採用了字符串拼接的方式，這種方式雖然簡單但很有效，memcached官方也是這麼實現的。將虛擬節點的數量設置為1000，重新測試壓力分佈情況，結果如下：
group 192.168.0.2:111: 18354(18.354%)
group 192.168.0.1:111: 20062(20.062%)
group 192.168.0.4:111: 20749(20.749%)
group 192.168.0.3:111: 20116(20.116%)
group 192.168.0.0:111: 20719(20.719%)
可以看到基本已經達到平均分佈了，接著繼續測試刪除和增加節點給整個服務帶來的影響，相關測試代碼如下：
private static void refreshHashCircle() {
// 當集群變動時，刷新hash環，其餘的集群在hash環上的位置不會發生變動
virtualNodes.clear();
for (String realGroup: realGroups) {
for (int i = 0; i < VIRTUAL_NODE_NUM; i++) {
String virtualNodeName = getVirtualNodeName(realGroup, i);
int hash = HashUtil.getHash(virtualNodeName);
System.out.println("[" + virtualNodeName + "] launched @ " + hash);
virtualNodes.put(hash, virtualNodeName);
}
}
}
private static void addGroup(String identifier) {
realGroups.add(identifier);
refreshHashCircle();
}
private static void removeGroup(String identifier) {
int i = 0;
for (String group:realGroups) {
if (group.equals(identifier)) {
realGroups.remove(i);
}
i++;
}
refreshHashCircle();
}
測試刪除一個集群前後的壓力分佈如下：
running the normal test.
group 192.168.0.2:111: 19144(19.144%)
group 192.168.0.1:111: 20244(20.244%)
group 192.168.0.4:111: 20923(20.923%)
group 192.168.0.3:111: 19811(19.811%)
group 192.168.0.0:111: 19878(19.878%)
removed a group, run test again.
group 192.168.0.2:111: 23409(23.409%)
group 192.168.0.1:111: 25628(25.628%)
group 192.168.0.4:111: 25583(25.583%)
group 192.168.0.0:111: 25380(25.38%)
同時計算一下消失的集群上的Key最終如何轉移到其他集群上：[192.168.0.1:111-192.168.0.4:111] :5255
[192.168.0.1:111-192.168.0.3:111] :5090
[192.168.0.1:111-192.168.0.2:111] :5069
[192.168.0.1:111-192.168.0.0:111] :4938
可見，刪除集群后，該集群上的壓力均勻地分散給了其他集群，最終整個集群仍處於負載均衡狀態，符合我們的預期，最後看一下添加集群的情況。
壓力分佈：running the normal test.
group 192.168.0.2:111: 18890(18.89%)
group 192.168.0.1:111: 20293(20.293%)
group 192.168.0.4:111: 21000(21.0%)
group 192.168.0.3:111: 19816(19.816%)
group 192.168.0.0:111: 20001(20.001%)
add a group, run test again.
group 192.168.0.2:111: 15524(15.524%)
group 192.168.0.7:111: 16928(16.928%)
group 192.168.0.1:111: 16888(16.888%)
group 192.168.0.4:111: 16965(16.965%)
group 192.168.0.3:111: 16768(16.768%)
group 192.168.0.0:111: 16927(16.927%)
壓力轉移：[192.168.0.0:111-192.168.0.7:111] :3102
[192.168.0.4:111-192.168.0.7:111] :4060
[192.168.0.2:111-192.168.0.7:111] :3313
[192.168.0.1:111-192.168.0.7:111] :3292
[192.168.0.3:111-192.168.0.7:111] :3261
綜上可以得出結論，在引入足夠多的虛擬節點後，一致性hash還是能夠比較完美地滿足負載均衡需要的。
優雅縮擴容
緩存服務器對於性能有著較高的要求，因此我們希望在擴容時新的集群能夠較快的填充好數據並工作。但是從一個集群啟動，到真正加入並可以提供服務之間還存在著不小的時間延遲，要實現更優雅的擴容，我們可以從兩個方面出發：
1.高頻Key預熱
負載均衡器作為路由層，是可以收集並統計每個緩存Key的訪問頻率的，如果能夠維護一份高頻訪問Key的列表，新的集群在啟動時根據這個列表提前拉取對應Key的緩存值進行預熱，便可以大大減少因為新增集群而導致的Key失效。
具體的設計可以通過緩存來實現，如下：
不過這個方案在實際使用時有一個很大的限制，那就是高頻Key本身的緩存失效時間可能很短，預熱時儲存的Value在實際被訪問到時可能已經被更新或者失效，處理不當會導致出現髒數據，因此實現難度還是有一些大的。
2.歷史Hash環保留
回顧一致性Hash的擴容，不難發現新增節點後，它所對應的Key在原來的節點還會保留一段時間。因此在擴容的延遲時間段，如果對應的Key緩存在新節點上還沒有被加載，可以去原有的節點上嘗試讀取。
舉例，假設我們原有3個集群，現在要擴展到6個集群，這就意味著原有50%的Key都會失效（被轉移到新節點上），如果我們維護擴容前和擴容後的兩個Hash環，在擴容後的Hash環上找不到Key的儲存時，先轉向擴容前的Hash環尋找一波，如果能夠找到就返回對應的值並將該緩存寫入新的節點上，找不到時再透過緩存，如下圖：
這樣做的缺點是增加了緩存讀取的時間，但相比於直接擊穿緩存而言還是要好很多的。優點則是可以隨意擴容多臺機器，而不會產生大面積的緩存失效。
談完了擴容，再談談縮容。
1.熔斷機制
縮容後，剩餘各個節點上的訪問壓力都會有所增加，此時如果某個節點因為壓力過大而宕機，就可能會引發連鎖反應。因此作為兜底方案，應當給每個集群設立對應熔斷機制來保護服務的穩定性。
2.多集群LB的更新延遲
這個問題在縮容時比較嚴重，如果你使用一個集群來作為負載均衡，並使用一個配置服務器比如ConfigServer來推送集群狀態以構建Hash環，那麼在某個集群退出時這個狀態並不一定會被立刻同步到所有的LB上，這就可能會導致一個暫時的調度不一致，如下圖：
如果某臺LB錯誤地將請求打到了已經退出的集群上，就會導致緩存擊穿。解決這個問題主要有以下幾種思路：
- 緩慢縮容，等到Hash環完全同步後再操作。可以通過監聽退出集群的訪問QPS來實現這一點，等到該集群幾乎沒有QPS時再將其撤下。
- 手動刪除，如果Hash環上對應的節點找不到了，就手動將其從Hash環上刪除，然後重新進行調度，這個方式有一定的風險，對於網絡抖動等異常情況兼容的不是很好。
- 主動拉取和重試，當Hash環上節點失效時，主動從ZK上重新拉取集群狀態來構建新Hash環，在一定次數內可以進行多次重試。
對比：HashSlot
瞭解了一致性Hash算法的特點後，我們也不難發現一些不盡人意的地方：
整個分佈式緩存需要一個路由服務來做負載均衡，存在單點問題（如果路由服務掛了，整個緩存也就涼了）
Hash環上的節點非常多或者更新頻繁時，查找性能會比較低下
針對這些問題，Redis在實現自己的分佈式集群方案時，設計了全新的思路：基於P2P結構的HashSlot算法，下面簡單介紹一下：
1.使用HashSlot
類似於Hash環，Redis Cluster採用HashSlot來實現Key值的均勻分佈和實例的增刪管理。
首先默認分配了16384個Slot（這個大小正好可以使用2kb的空間保存），每個Slot相當於一致性Hash環上的一個節點。接入集群的所有實例將均勻地佔有這些Slot，而最終當我們Set一個Key時，使用CRC16(Key) % 16384來計算出這個Key屬於哪個Slot，並最終映射到對應的實例上去。
那麼當增刪實例時，Slot和實例間的對應要如何進行對應的改動呢？
舉個例子，原本有3個節點A,B,C，那麼一開始創建集群時Slot的覆蓋情況是： 節點A 0－5460
節點B 5461－10922
節點C 10923－16383
現在假設要增加一個節點D，RedisCluster的做法是將之前每臺機器上的一部分Slot移動到D上（注意這個過程也意味著要對節點D寫入的KV儲存），成功接入後Slot的覆蓋情況將變為如下情況：
節點A 1365-5460
節點B 6827-10922
節點C 12288-16383
節點D 0-1364,5461-6826,10923-1228
同理刪除一個節點，就是將其原來佔有的Slot以及對應的KV儲存均勻地歸還給其他節點。
2.P2P節點尋找
現在我們考慮如何實現去中心化的訪問，也就是說無論訪問集群中的哪個節點，你都能夠拿到想要的數據。其實這有點類似於路由器的路由表，具體說來就是：
* 每個節點都保存有完整的HashSlot - 節點映射表，也就是說，每個節點都知道自己擁有哪些Slot，以及某個確定的Slot究竟對應著哪個節點。
* 無論向哪個節點發出尋找Key的請求，該節點都會通過CRC(Key) % 16384計算該Key究竟存在於哪個Slot，並將請求轉發至該Slot所在的節點。
總結一下就是兩個要點：映射表和內部轉發，這是通過著名的**Gossip協議**來實現的。
最後我們可以給出Redis Cluster的系統結構圖，和一致性Hash環還是有著很明顯的區別的：
對比一下，HashSlot + P2P的方案解決了去中心化的問題，同時也提供了更好的動態擴展性。但相比於一致性Hash而言，其結構更加複雜，實現上也更加困難。
而在之前的分析中我們也能看出，一致性Hash方案整體上還是有著不錯的表現的，因此在實際的系統應用中，可以根據開發成本和性能要求合理地選擇最適合的方案。總之，兩者都非常優秀，至於用哪個、怎麼用，就是仁者見仁智者見智的問題了。
歡迎在留言區留下你的觀點，一起討論提高。如果今天的文章讓你有新的啟發，學習能力的提升上有新的認識，歡迎轉發分享給更多人。
猜你還想看
阿里、騰訊、百度、華為、京東最新面試題彙集
從上帝視角看Java如何運行
手把手帶你實現線上環境部署概覽
基於 token 的多平臺身份認證架構設計
關注訂閱號「程序員小樂」，收看更多精彩內容
嘿，你在看嗎？
閱讀更多 程序員小樂 的文章
