最近在研究"一致性HASH算法"（Consistent Hashing），用于解決memcached集群中當(dāng)服務(wù)器出現(xiàn)增減變動(dòng)時(shí)對散列值的影響。后來 在JAVAEYE上的一篇文章中，找到了其中的 KetamaHash 算法的JAVA實(shí)現(xiàn)（一種基于虛擬結(jié)點(diǎn)的HASH算法），于是為了加深理解，對照 JAVA版本，用C#重寫了一個(gè)。放到這里，如果大家感興趣的話， 可以下載測試一下，如果發(fā)現(xiàn)寫法有問題請及時(shí)告之我，以便我及時(shí)修正。
下面是對Ketama的介紹：
Ketama is an implementation of a consistent hashing algorithm, meaning you can add or remove servers from the memcached pool without causing a complete remap of all keys.
Here’s how it works:
* Take your list of servers (eg: 1.2.3.4:11211, 5.6.7.8:11211, 9.8.7.6:11211)
* Hash each server string to several (100-200) unsigned ints
* Conceptually, these numbers are placed on a circle called the continuum. (imagine a clock face that goes from 0 to 2^32)
* Each number links to the server it was hashed from, so servers appear at several points on the continuum, by each of the numbers they hashed to.
* To map a key->server, hash your key to a single unsigned int, and find the next biggest number on the continuum. The server linked to that number is the correct server for that key.
* If you hash your key to a value near 2^32 and there are no points on the continuum greater than your hash, return the first server in the continuum.
If you then add or remove a server from the list, only a small proportion of keys end up mapping to different servers.
我的理解，這類方法其實(shí)有點(diǎn)像大學(xué)里的微積分的思想（通過連續(xù)函數(shù)的取值區(qū)間來計(jì)算圖形面積）。通過把已知的實(shí)結(jié)點(diǎn)（memcached服務(wù)IP端口）列表結(jié)成一個(gè)圓，然后在兩兩實(shí)結(jié)點(diǎn)之間“放置”盡可能多的虛擬節(jié)點(diǎn)(上面文中的unsigned ints)， 假設(shè)用戶數(shù)據(jù)映射在虛擬節(jié)點(diǎn)上（用戶數(shù)據(jù)真正存儲(chǔ)位置是在該虛擬節(jié)點(diǎn)代表的實(shí)際物理服務(wù)器上），這樣就能抑制分布不均勻，最大限度地減小服務(wù)器增減時(shí)的緩存重新分布。如下圖：
下面是添加結(jié)點(diǎn)時(shí)：
如這篇文章所說（總結(jié)一致性哈希(Consistent Hashing) ）：
Consistent Hashing最大限度地抑制了hash鍵的重新分布。另外要取得比較好的負(fù)載均衡的效果，往往在服務(wù)器數(shù)量比較少的時(shí)候需要增加虛擬節(jié)點(diǎn)來保證服務(wù)器能均勻的分布在圓環(huán)上。因?yàn)槭褂靡话愕膆ash方法，服務(wù)器的映射地點(diǎn)的分布非常不均勻。使用虛擬節(jié)點(diǎn)的思想，為每個(gè)物理節(jié)點(diǎn)（服務(wù)器）在圓上分配100～200個(gè)點(diǎn)。這樣就能抑制分布不均勻，最大限度地減小服務(wù)器增減時(shí)的緩存重新分布。用戶數(shù)據(jù)映射在虛擬節(jié)點(diǎn)上，就表示用戶數(shù)據(jù)真正存儲(chǔ)位置是在該虛擬節(jié)點(diǎn)代表的實(shí)際物理服務(wù)器上。
了解了原理，下面看一下具體實(shí)現(xiàn)。
JAVA實(shí)現(xiàn)代碼取自Spy Memcached client中的類，原文的作者也盡可能的對代碼進(jìn)行注釋說明，所以讓我剩了不少時(shí)間。
下面是相應(yīng)的.NET實(shí)現(xiàn)（注釋參考JAVA版本）:
public class KetamaNodeLocator
{
//原文中的JAVA類TreeMap實(shí)現(xiàn)了Comparator方法，這里我圖省事，直接用了net下的SortedList，其中Comparer接口方法）
private SortedList<long, string> ketamaNodes = new SortedList<long, string>();
private HashAlgorithm hashAlg;
private int numReps = 160;
//此處參數(shù)與JAVA版中有區(qū)別，因?yàn)槭褂玫撵o態(tài)方法，所以不再傳遞HashAlgorithm alg參數(shù)
public KetamaNodeLocator(List<string> nodes, int nodeCopies)
{
ketamaNodes = new SortedList<long, string>();
numReps = nodeCopies;
//對所有節(jié)點(diǎn)，生成nCopies個(gè)虛擬結(jié)點(diǎn)
foreach (string node in nodes)
{
//每四個(gè)虛擬結(jié)點(diǎn)為一組
for (int i = 0; i < numReps / 4; i++)
{
//getKeyForNode方法為這組虛擬結(jié)點(diǎn)得到惟一名稱
byte[] digest = HashAlgorithm.computeMd5(node + i);
/** Md5是一個(gè)16字節(jié)長度的數(shù)組，將16字節(jié)的數(shù)組每四個(gè)字節(jié)一組，分別對應(yīng)一個(gè)虛擬結(jié)點(diǎn)，這就是為什么上面把虛擬結(jié)點(diǎn)四個(gè)劃分一組的原因*/
for (int h = 0; h < 4; h++)
{
long m = HashAlgorithm.hash(digest, h);
ketamaNodes[m] = node;
}
}
}
}
public string GetPrimary(string k)
{
byte[] digest = HashAlgorithm.computeMd5(k);
string rv = GetNodeForKey(HashAlgorithm.hash(digest, 0));
return rv;
}
string GetNodeForKey(long hash)
{
string rv;
long key = hash;
//如果找到這個(gè)節(jié)點(diǎn)，直接取節(jié)點(diǎn)，返回
if (!ketamaNodes.ContainsKey(key))
{
//得到大于當(dāng)前key的那個(gè)子Map，然后從中取出第一個(gè)key，就是大于且離它最近的那個(gè)key 說明詳見: http://www.javaeye.com/topic/684087
var tailMap = from coll in ketamaNodes
where coll.Key > hash
select new { coll.Key };
if (tailMap == null || tailMap.Count() == 0)
key = ketamaNodes.FirstOrDefault().Key;
else
key = tailMap.FirstOrDefault().Key;
}
rv = ketamaNodes[key];
return rv;
}
}
下面的代碼與JAVA中有所不同，它使用靜態(tài)方法實(shí)現(xiàn)：
public class HashAlgorithm
{
public static long hash(byte[] digest, int nTime)
{
long rv = ((long)(digest[3 + nTime * 4] & 0xFF) << 24)
| ((long)(digest[2 + nTime * 4] & 0xFF) << 16)
| ((long)(digest[1 + nTime * 4] & 0xFF) << 8)
| ((long)digest[0 + nTime * 4] & 0xFF);
return rv & 0xffffffffL; /* Truncate to 32-bits */
}
/**
* Get the md5 of the given key.
*/
public static byte[] computeMd5(string k)
{
MD5 md5 = new MD5CryptoServiceProvider();
byte[] keyBytes = md5.ComputeHash(Encoding.UTF8.GetBytes(k));
md5.Clear();
//md5.update(keyBytes);
//return md5.digest();
return keyBytes;
}
}
下面是.net版本下的測試結(jié)果
分布平均性測試:測試隨機(jī)生成的眾多key是否會(huì)平均分布到各個(gè)結(jié)點(diǎn)上測試結(jié)果如下:
最上面一行是參數(shù)說明，節(jié)點(diǎn)數(shù)目，總共有多少key，每個(gè)節(jié)點(diǎn)應(yīng)該分配key的比例是多少。下面是每個(gè)結(jié)點(diǎn)分配到key的數(shù)目和比例。 多次測試后發(fā)現(xiàn)，這個(gè)Hash算法的節(jié)點(diǎn)分布都在標(biāo)準(zhǔn)比例左右徘徊。
節(jié)點(diǎn)增刪測試:在環(huán)上插入N個(gè)結(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)nCopies個(gè)虛擬結(jié)點(diǎn)。隨機(jī)生成眾多key，在增刪節(jié)點(diǎn)時(shí)，測試同一個(gè)key選擇相同節(jié)點(diǎn)的概率，測試如果如下:
上面三行分別是正常情況，節(jié)點(diǎn)增加，節(jié)點(diǎn)刪除情況下的節(jié)點(diǎn)數(shù)目。下面兩行表示在節(jié)點(diǎn)增加和刪除情況下，同一個(gè)key分配在相同節(jié)點(diǎn)上的比例(命中率)。
后來我修改了幾次增刪結(jié)點(diǎn)的數(shù)量，基本驗(yàn)證了JAVA那位仁兄所說的那樣：
多次測試后發(fā)現(xiàn)，命中率與結(jié)點(diǎn)數(shù)目和增減的節(jié)點(diǎn)數(shù)量有關(guān)。同樣增刪結(jié)點(diǎn)數(shù)目情況下，結(jié)點(diǎn)多時(shí)命中率高。同樣節(jié)點(diǎn)數(shù)目，增刪結(jié)點(diǎn)越少，命中率越高。這些都與實(shí)際情況相符。
這里還有一些鏈接，都是介紹和討論Consistent Hashing的，有興趣的朋友可以看一下，呵呵：)
喜歡 
頂
難過
囧
圍觀
無聊
