普通hash

假如现在需要向4个redis存取图片，以图片的名字为key，value为图片实际存放的路径，我们可以取到key的hash值，然后就hash值进行模运算，然后就定位到该条数据应该存储到哪个redis节点上了。

通过上面的方法提高了效率，我们在取数据的时候就不用遍历4个redis节点，直接到正确的节点去取数据即可，但是有个缺点：当增加或删除节点时，大量的数据就失效，因为再进行取余运算结果已不同。

一致性hash

其实一致性hash还是进行取模运算，只不过取模不在除以节点数，而是2^32。

有个虚拟的圆环，上面均匀分布0-2^32 -1，就像表盘一样，对key取余后就定位到该数据在圆盘的位置了。

我们同样对redis实例节点进行hash取余，也得到了节点的位置。

对数据顺时针查找最近的redis节点，该节点就是应该存取的节点。

根据一致性Hash算法，数据A会被定为到Node A上，B被定为到Node B上，C被定为到Node C上，D被定为到Node D上。

添加或删除节点

现假设Node C不幸宕机，可以看到此时对象A、B、D不会受到影响，只有C对象被重定位到Node D。一般的，在一致性Hash算法中，如果一台服务器不可用，则受影响的数据仅仅是此服务器到其环空间中前一台服务器（即沿着逆时针方向行走遇到的第一台服务器）之间数据，其它不会受到影响

新增节点X时，此时对象Object A、B、D不受影响，只有对象C需要重定位到新的Node X ！一般的，在一致性Hash算法中，如果增加一台服务器，则受影响的数据仅仅是新服务器到其环空间中前一台服务器（即沿着逆时针方向行走遇到的第一台服务器）之间数据，其它数据也不会受到影响。

综上所述，一致性Hash算法对于节点的增减都只需重定位环空间中的一小部分数据，具有较好的容错性和可扩展性。

Hash环的数据倾斜问题

一致性Hash算法在服务节点太少时，容易因为节点分部不均匀而造成数据倾斜（被缓存的对象大部分集中缓存在某一台服务器上）问题，例如系统中只有两台服务器，其环分布如下：

此时必然造成大量数据集中到Node A上，而只有极少量会定位到Node B上。

为了解决这种数据倾斜问题，一致性Hash算法引入了虚拟节点机制，即对每一个服务节点计算多个哈希，每个计算结果位置都放置一个此服务节点，称为虚拟节点。具体做法可以在服务器IP或主机名的后面增加编号来实现。

例如上面的情况，可以为每台服务器计算三个虚拟节点，于是可以分别计算 “Node A#1”、“Node A#2”、“Node A#3”、“Node B#1”、“Node B#2”、“Node B#3”的哈希值，于是形成六个虚拟节点：

例如定位到“Node A#1”、“Node A#2”、“Node A#3”三个虚拟节点的数据均定位到Node A上。这样就解决了服务节点少时数据倾斜的问题。在实际应用中，通常将虚拟节点数设置为32甚至更大，因此即使很少的服务节点也能做到相对均匀的数据分布。

总结

hash一致性当节点增加或减少的时候并不能完全做到无感，但是只有少量的数据进行迁移，这样比原来的hash好多了。