1. 实现原理
将key映射到 2^32 - 1 的空间中，将这个数字的首尾相连，形成一个环
- 计算节点（使用节点名称、编号、IP地址）的hash值，放置在环上
- 计算key的hash值，放置在环上，顺时针寻找到的第一个节点，就是应选取的节点
例如：p2、p4、p6三个节点，key11、key2、key27按照顺序映射到p2、p4、p6上面，假设新增一个节点p8在p6节点之后，这个时候只需要将key27从p6调整到p8就可以了；也就是说，每次新增删除节点时，只需要重新定位该节点附近的一小部分数据
2. 解决数据倾斜的问题
什么是数据倾斜？
如果服务器的节点过少，容易引起key的倾斜。例如上面的例子中p2、p4、p6分布在环的上半部分，下半部分是空的。那么映射到下半部分的key都会被分配给p2，key过度倾斜到了p2缓存间节点负载不均衡。
解决
为了解决这个问题，引入了虚拟节点的概念，一个真实的节点对应多个虚拟的节点
假设1个真实的节点对应3个虚拟节点，那么p1对应的就是p1-1、p1-2、p1-3
- 计算虚拟节点的Hash值，放置在环上
- 计算key的Hash值，在环上顺时针寻找到对应选取的虚拟节点，例如：p2-1，对应真实的节点p2
虚拟节点扩充了节点的数量，解决了节点较少的情况下数据倾斜的问题，而且代价非常小，只需要新增一个字典（Map）维护真实的节点与虚拟节点的映射关系就可以了
3. 代码实现
3.1 ConsistentHash
这里使用了泛型的方式来保存数据，可以根据不同的类型，获取到不同的节点存储
public class ConsistentHash<T> {
//自定义hash方法
private Hash<Object> hashMethod;
//创建hash映射，虚拟节点映射真实节点
private final Map<Integer, T> hashMap = new ConcurrentHashMap<>();
//将所有的hash保存起来
private List<Integer> keys = new ArrayList<>();
//默认虚拟节点数量
private final int replicas;
public ConsistentHash() {
this(3, Utils::rehash);
}
public ConsistentHash(int replicas, Hash<Object> hashMethod) {
this.replicas = replicas;
this.hashMethod = hashMethod;
}
@SafeVarargs
public final void add(T... keys) {
for (T key : keys) {
//根据虚拟节点个数来计算虚拟节点
for (int i = 0; i < this.replicas; i++) {
//根据函数获取到对应的hash值
int hash = this.hashMethod.hash(i + ":" + key.toString());
this.keys.add(hash);
this.hashMap.put(hash, key);
}
}
//排序，因为是一个环状结构
Collections.sort(this.keys);
}
public T get(Object key) {
Objects.requireNonNull(key, "key不能为空");
int hash = this.hashMethod.hash(key);
//获取到对应的节点信息
int idx = Utils.search(this.keys.size(), h -> this.keys.get(h) >= hash);
//如果idx == this.keys.size() ，就代表需要取 this.keys.get(0); 因为是环状，所以需要使用 % 来进行处理
return this.hashMap.get(this.keys.get(idx % this.keys.size()));
}
}
3.2 Hash
这里定义了一个函数结构，用于自定计算hash值
@FunctionalInterface
public static interface Hash<T> {
int hash(T t);
}
3.3 Utils
由于hashcode采用的int类型进行存储，那么就需要考虑，hash是否超过了int最大存储，如果超过了那么存储的数字就是负数，会对获取节点造成影响，所以这里在取hash值时，采用了hashmap中获取到hashcode之后对其进行与操作，可以减少hash冲突，也可以避免负数的产生
public static class Utils {
// int类型的最大数据
static final int HASH_BITS = 0x7fffffff;
public static int search(int len, Function<Integer, Boolean> f) {
int i = 0, j = len;
//通过二分查找发来定为索引位置
while (i < j) {
//长度除于2
int h = (i + j) >> 1;
//调用函数，判断当前的索引值是否大于
if (f.apply(h)) {
//向低半段进行遍历
j = h;
} else {
//向高半段进行遍历
i = h + 1;
}
}
return i;
}
public static int rehash(Object o) {
int h = o.hashCode();
return (h ^ (h >>> 16)) & HASH_BITS;
}
}
3.4 main
下面是main方法进行测试，在后面新增了一个节点之后，只会调整 zs 数据到 109 节点，而且其他两个key的获取不会受到影响
public static void main(String[] args) {
ConsistentHash<String> consistentHash = new ConsistentHash<>();
consistentHash.add("192.168.2.106", "192.168.2.107", "192.168.2.108");
Map<String, Object> map = new HashMap<>();
map.put("zs", "192.168.2.108");
map.put("999999", "192.168.2.106");
map.put("233333", "192.168.2.106");
map.forEach((k, v) -> {
String node = consistentHash.get(k);
if (!v.equals(node)) {
throw new IllegalArgumentException("节点获取错误，key：" + k + "，获取到的节点值为：" + node);
}
});
consistentHash.add("192.168.2.109");
map.put("zs", "192.168.2.109");
map.forEach((k, v) -> {
String node = consistentHash.get(k);
if (!v.equals(node)) {
throw new IllegalArgumentException("节点获取错误，key：" + k + "，获取到的节点值为：" + node);
}
});
}
到此这篇关于ava实现一致性Hash算法的文章就介绍到这了,更多相关Java hash算法内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
