一致性哈希算法的Java实现
关于一致性哈希算法的原理,网上有很多介绍,在此只是简单介绍一下,不做详细说明。
一致性哈希算法是分布式系统中常用的算法,比如有N台缓存服务器,你需要将数据缓存到这N台服务器上。一致性哈希算法可以将数据尽可能平均的存储到N台缓存服务器上,提高系统的负载均衡,并且当有缓存服务器加入或退出集群时,尽可能少的影响现有缓存服务器的命中率,减少数据对后台服务的大量冲击。
一致性哈希算法的基本原理,把数据通过hash函数映射到一个很大的环形空间里,如下图所示:
A、B、C、D 4台缓存服务器通过hash函数映射环形空间上,数据的存储时,先得到一个hash值,对应到这个环中的每个位置,如缓存数据:K1对应到了图中所示的位置,然后沿顺时针找到一个机器节点A,将K1存储到A节点上,K2存储到A节点上,K3、K4存储到B节点上。
如果B节点宕机了,则B上的数据就会落到C节点上,如下图所示:
这样,只会影响C节点,对其他的节点A,D的数据不会造成影响。然而,这又会造成一个“雪崩”的情况,即C节点由于承担了B节点的数据,所以C节点的负载会变高,C节点很容易也宕机,这样依次下去,这样造成整个集群都挂了。
为此,引入了“虚拟节点”的概念:即把想象在这个环上有很多“虚拟节点”,数据的存储是沿着环的顺时针方向找一个虚拟节点,每个虚拟节点都会关联到一个真实节点,如下图所使用:
引入“虚拟节点”后,映射关系就从 {对象 ->节点 }转换到了 {对象 ->虚拟节点 }。图中的A1、A2、B1、B2、C1、C2、D1、D2都是虚拟节点,机器A负载存储A1、A2的数据,机器B负载存储B1、B2的数据,机器C负载存储C1、C2的数据。由于这些虚拟节点数量很多,均匀分布,提高了平衡性,因此不会造成“雪崩”现象。
说完了一致性哈希算法的基本原理,下面说一下一致性哈希算法的JAVA实现。
首先定义一个hash函数接口:HashFunction
/** * hash 函数接口 * * @author sundoctor * */ public interface HashFunction { /** * hash函数 * * @param key * @return */ Long hash(String key); }
HashFunction一个实现,定义HashFunction接口,为了方便大家根据业务需要实现自己的hash函数。
import java.nio.ByteBuffer; import java.nio.ByteOrder; public class HashFunctionImpl implements HashFunction { /** * MurMurHash算法,是非加密HASH算法,性能很高,碰撞率低 */ @Override public Long hash(String key) { ByteBuffer buf = ByteBuffer.wrap(key.getBytes()); int seed = 0x1234ABCD; ByteOrder byteOrder = buf.order(); buf.order(ByteOrder.LITTLE_ENDIAN); long m = 0xc6a4a7935bd1e995L; int r = 47; long h = seed ^ (buf.remaining() * m); long k; while (buf.remaining() >= 8) { k = buf.getLong(); k *= m; k ^= k >>> r; k *= m; h ^= k; h *= m; } if (buf.remaining() > 0) { ByteBuffer finish = ByteBuffer.allocate(8).order(ByteOrder.LITTLE_ENDIAN); finish.put(buf).rewind(); h ^= finish.getLong(); h *= m; } h ^= h >>> r; h *= m; h ^= h >>> r; buf.order(byteOrder); return h; } }
一致性哈希算法的JAVA简单实现:
import java.util.Collection; import java.util.SortedMap; import java.util.TreeMap; public class ConsistentHash<T> { private final HashFunction hashFunction;// hash 函数接口 private final int numberOfReplicas;// 每个机器节点关联的虚拟节点个数 private final SortedMap<Long, T> circle = new TreeMap<Long, T>();// 环形虚拟节点 /** * * @param hashFunction * hash 函数接口 * @param numberOfReplicas * 每个机器节点关联的虚拟节点个数 * @param nodes * 真实机器节点 */ public ConsistentHash(HashFunction hashFunction, int numberOfReplicas, Collection<T> nodes) { this.hashFunction = hashFunction; this.numberOfReplicas = numberOfReplicas; for (T node : nodes) { add(node); } } /** * 增加真实机器节点 * * @param node */ public void add(T node) { for (int i = 0; i < this.numberOfReplicas; i++) { circle.put(this.hashFunction.hash(node.toString() + i), node); } } /** * 删除真实机器节点 * * @param node */ public void remove(T node) { for (int i = 0; i < this.numberOfReplicas; i++) { circle.remove(this.hashFunction.hash(node.toString() + i)); } } /** * 取得真实机器节点 * * @param key * @return */ public T get(String key) { if (circle.isEmpty()) { return null; } long hash = hashFunction.hash(key); if (!circle.containsKey(hash)) { SortedMap<Long, T> tailMap = circle.tailMap(hash);// 沿环的顺时针找到一个虚拟节点 hash = tailMap.isEmpty() ? circle.firstKey() : tailMap.firstKey(); } return circle.get(hash); // 返回该虚拟节点对应的真实机器节点的信息 } }
测试:
Node类模拟真实机器节点,保存节点的IP、名称、端口等
/** * 物理机节点模拟类,保存节点的IP、名称、端口等信息 * * @author sundoctor * * @param <T> */ public class Node<T> { private String ip;// IP private String name;// 名称 public Node(String ip, String name) { this.ip = ip; this.name = name; } public String getIp() { return ip; } public void setIp(String ip) { this.ip = ip; } public String getName() { return name; } public void setName(String name) { this.name = name; } /** * 复写toString方法,使用节点IP当做hash的KEY */ @Override public String toString() { return ip; } }
测试类:
import java.util.ArrayList; import java.util.HashMap; import java.util.List; import java.util.Map; import java.util.UUID; public class Test { private static final String IP_PREFIX = "192.168.1.";// 机器节点IP前缀 /** * @param args */ public static void main(String[] args) { Map<String, Integer> map = new HashMap<String, Integer>();// 每台真实机器节点上保存的记录条数 List<Node<String>> nodes = new ArrayList<Node<String>>();// 真实机器节点 // 10台真实机器节点集群 for (int i = 1; i <= 10; i++) { map.put(IP_PREFIX + i, 0);// 每台真实机器节点上保存的记录条数初始为0 Node<String> node = new Node<String>(IP_PREFIX + i, "node" + i); nodes.add(node); } HashFunction hashFunction = new HashFunctionImpl(); // hash函数实例 ConsistentHash<Node<String>> consistentHash = new ConsistentHash<Node<String>>(hashFunction, 100, nodes);// 每台真实机器引入100个虚拟节点 // 将5000条记录尽可能均匀的存储到10台机器节点 for (int i = 0; i < 5000; i++) { // 产生随机一个字符串当做一条记录,可以是其它更复杂的业务对象,比如随机字符串相当于对象的业务唯一标识 String data = UUID.randomUUID().toString() + i; // 通过记录找到真实机器节点 Node<String> node = consistentHash.get(data); // 再这里可以能过其它工具将记录存储真实机器节点上,比如MemoryCache等 // ... // 每台真实机器节点上保存的记录条数加1 map.put(node.getIp(), map.get(node.getIp()) + 1); } // 打印每台真实机器节点保存的记录条数 for (int i = 1; i <= 10; i++) { System.out.println(IP_PREFIX + i + "节点记录条数:" + map.get("192.168.1." + i)); } } }
运行测试类Test,输出:
192.168.1.1节点记录条数:474 192.168.1.2节点记录条数:489 192.168.1.3节点记录条数:468 192.168.1.4节点记录条数:501 192.168.1.5节点记录条数:412 192.168.1.6节点记录条数:473 192.168.1.7节点记录条数:598 192.168.1.8节点记录条数:521 192.168.1.9节点记录条数:493 192.168.1.10节点记录条数:571 |
从以上输出可以看到,记录很均匀的分布在10机器节点。
相关推荐
运行平台:VS 2019 一致性哈希算法演示项目,演示新增节点key分布情况;移除节点key分布情况! C#,C#,C#.......
ufire-springcloud-platform 学习微服-基于一致性哈希算法实现websocket分布式扩展的尝试。
如果没有找到,则取整个环的第个节点。测试结果测试代码是整理的,主体法没有变分布平均性测试:测试随机成的众多key是否会平均分布到各个结点上测试结果如下:最上是参
随着虚拟节点的增加,数据量分配就比较平均了,但是并不是虚拟节点数量越多就越好,因为要考虑这些虚拟节点带来的性能开销以及算法的复杂性;
比如你有 N 个 cache 服务器(后面简称 cache ),那么如何将一个对象 object 映射到 N 个 cache 上呢,你很可能会采用类似下面的通用方法计算 object 的 hash 值,然后均匀的映射到到 N 个 cache ;...
1、解决案:排序+List 2、解决案:遍历+List 1、最好情况是只有个服务器节点的Hash值于带路由结点的Hash值,其 2、最坏情况是所有服务器节点的H
一致性哈希算法是分布式系统中常用的算法,为什么要用这个算法? 比如:一个分布式存储系统,要将数据存储到具体的节点(服务器)上, 在服务器数量不发生改变的情况下,如果采用普通的hash再对服务器总数量取模的...
一致性Hash算法,易于扩容;添加了 单元测试,使用Spring提供的RestTemplate调用RestFul风格的API接口;整合了 quartz 定时任务框架 ,并进行了封装,只需在构建完定时任务Job类后,在 application-quartz....
另外,需要注意哈希表和双向链表的一致性维护。在put方法中,当新建节点或者更新节点时,都需要更新哈希表中的键值对,并将节点添加到链表头部;同样,在删除节点时,也需要从哈希表中删除对应的键值对。
DataNode : 存储具体的数据,向 NameNode 主动发起心跳并采用请求响应的方式来实现上下线,便于 NameNode 发起挪动数据指令,实际挪动操作由 DataNode 自行完成;Client : 负责向 NameNode 请求 DataNode 相关信息并...
致性哈希算法在1997年由麻省理工学院提出(参见扩展阅读[1]),设计目标是为了解决因特网中的热点(Hot spot)问题,初衷和CARP十分类似。一致性哈希修正了CARP使用的简单哈希算法带来的问题,使得DHT可以在P2P环境中...
算法分类:排序算法(如冒泡排序、快速排序、归并排序),查找算法(如顺序查找、二分查找、哈希查找),图论算法(如Dijkstra最短路径算法、Floyd-Warshall算法、Prim最小生成树算法),动态规划,贪心算法,回溯法...
该存储库提供了常用分布式技术的演示,例如一致性哈希,分布式锁,分布式事务,领导者选举等。 技术 模块 地位 评论 一致性哈希 一致性哈希 完毕 分散式锁 分布式锁 正在做 分散式交易 分布式交易 完毕 共识算法 ...
环一致散列跳转一致哈希集合一致哈希磁悬浮一致性哈希 (第3.4节)粗略设计注意事项从与Karger等人成一直线的圆圈开始N个节点可以复制R次以改善分片分布。 复制的节点称为虚拟节点。 分片复制节点的散列在cicle上成...
阿里的面试题集锦,内容包括红黑树、HashMap、ClassLoader、数据库、中间件、JVM、一致性哈希、网络等等
一致性哈希算法? 1.1.2 Java语法糖 string的hash算法 hash冲突的解决办法:拉链法 foreach循环的原理 volatile关键字的底层实现原理 泛型类 泛型接口 泛型方法 反射 正则 捕获组和非捕获组 贪婪,勉强,独占模式 ...
如何保证事务的完整性和一致性? 5. SQL语言中的聚合函数有哪些?它们分别是什么作用? 数据结构题: 1. 什么是栈和队列?它们的应用场景是什么? 2. 什么是哈希表?如何实现一个哈希表? 3. 什么是二叉树?如何...
与传统的一致性哈希算法相比,分布式数据具有更多的平衡。多丽丝建筑高性能Doris提供了高性能的KV访问,并具有低延迟和高吞吐量。 通常的数据访问时间少于4毫秒。可扩展性Doris旨在支持多达2000个以上节点的大规模...
采用一致性哈希算法计算键所在的节点,每个节点都有一个唯一的ID用作标识,同时这个id也作为paxos的groupID,通过paxos在主备服务器之间进行同步数据。 KV存储的数据类型:int,字符串,列表,set,map。 客户端...
+ Dubbo泛化调用的地址为一致性哈希负载均衡算法计算所得 + 解决了自定义协议在传输中导致的粘包、拆包问题 + 群聊批量ACK处理,避免因创建过多的超时计时器导致的压力过大 + 利用leaf-sno 【备注】 1、该资源内项目...