最容易理解的Consistent Hashing讲解（一致性哈希算法使用场景及原理）

一、使用场景

        考虑一个场景，有一个redis集群，那么我们如何分配不同的要缓存的数据，使之能够尽可能均匀的存储到各个redis服务器上呢？肯定有人会想到使用传统的hash + 取模 算法。
        服务器ID = hash(object) % N                    （N为服务器个数）
        举个例子，如果我们有4个redis服务器，编号分别为0，1，2和3，产生的十个数据的hash值分别为1~10。列出具体的数据分布情况。
        0号服务器：4、8
        1号服务器：1、5、9
        2号服务器：2、6、10

        3号服务器：3、7、11
        首先我们不管分布的是否均匀，我假设一种情况，如果多加一个节点，即4号服务器，那么这些数据是要重新分布的，重新分布的结果我们来看一下。

        0号服务器：5、10
        1号服务器：1、6
        2号服务器：2、7

        3号服务器：3、8
        4号服务器：4、9
        可以看到，除了1、2、3这三个数据，其他数据的缓存位置都发生了变化，这样会导致很严重的性能问题。
        这时候我们的一致性哈希算法就出场了。该算法的目的是在移除/新增一个节点时，尽可能减少“缓存数据key”到服务器映射的改变。
（1）首先要构造一个环形hash值区域，一般值区域为0~2^32-1。
（2）对key的值求hash值，h1 = hash(key)，将该值放入环形hash区域的某个桶中。
（3）对每个redis服务器的编号值（可以是IP，也可以是其他某个标识符）求hash值，h2 = hash(node)，将该值放入环形hash区域的某个桶中。
（4）每个缓存数据都缓存在它前方（hash环顺时针方向的前方）的redis服务器中。



            （图片来自网络）
        这样就完美解决了之前因为新增/移除节点而导致的数据缓存位置大幅度移动的情况，因为每个节点所在的hash桶的位置都是固定不变的，而且每个数据所在的hash桶位置也是不变的。因此如果在两个节点如图中的A1和C2之间再插入一个节点X，则若是X插入的位置在key2的位置的前面（A1与key2）之间，则整个图只需要移动key2的缓存位置，让object2缓存到X就行，如果X节点的插入位置在key2 和C2之间，则不需要移动任何缓存数据。
        但是这样还是有缺陷的，可能会存在hash分布不均匀的情况，那就需要虚拟节点，因为在hash环上，节点越多，分布的会更均匀。



（图片来自网络）
        在图中有v1~v6若干个节点，缓存数据都会分布在这几个节点上，但这都是虚拟的，缓存数据实际存储的位置时n1~n3，这样会使得缓存分布更加均匀。