本节分析哈希算法的其他三个应用：负载均衡、数据分片、分布式存储。这三个应用都跟分布式系统有关。看下哈希算法是如何解决这些分布式问题的。

五：负载均衡

问题：那如何才能实现一个会话粘滞（session sticky）的负载均衡算法呢？也就是说，我们需要在同一个客户端上，在一次会话中的所有请求都路由到同一个服务器上。

方法一：维护一张映射关系表，这张表的内容是客户端 IP 地址或者会话 ID 与服务器编号的映射关系。

缺点：如果客户端很多，映射表可能会很大，比较浪费内存空间；客户端下线、上线，服务器扩容、缩容都会导致映射失效，这样维护映射表的成本就会很大；如果借助哈

哈希方法：通过一个hash算法，对客户端ip地址或者会话id计算哈希值，将取得的哈希值与服务器列表的大小进行取模，最后得到的值就是应该被路由到的服务器的编号。这样就可以把同一个ip过来的所有请求都路由到同一台机器上去

六：数据分片

哈希算法还可以用于数据的分片

1、如何统计“搜索关键词”出现的次数？

问题：假如我们有 1T 的日志文件，这里面记录了用户的搜索关键词，要快速统计出每个关键词被搜索的次数，该怎么做呢？

难点：一是搜索日志很大，没办法放到一台机器的内存中。二是，如果只用一台机器来处理这么巨大的数据，处理时间会很长

方案：可以先对数据进行分片，然后采用多台机器处理的方法，来提高处理速度。

具体的思路：

为了提高处理的速度，用 n 台机器并行处理。
从搜索记录的日志文件中，依次读出每个搜索关键词，并且通过哈希函数计算哈希值，然后再跟 n 取模，最终得到的值，就是应该被分配到的机器编号。
哈希值相同的搜索关键词就被分配到了同一个机器上。同一个搜索关键词会被分配到同一个机器上。每个机器会分别计算关键词出现的次数，最后合并起来就是最终的结果。实际上，这里的处理过程也是 MapReduce 的基本设计思想

加深理解：服务器会提前把1T分为很多份，给不同的计算机。当关键词myth来了，所有计算机都搜，搜到的结果，hash一下，得到的值都是一样的。 hash值位数很大，所以需要一个函数，让这些hash百分百到一台机子上，这就是对n取模了。因为hash都一样，所以取模后都到一台机子上了。相当于很多台计算机，瞬间得到结果，转移到一台机子上。

2、如何快速判断图片是否在图库中？

如何快速判断图片是否在图库中？上一节介绍了一种方法，即给每个图片取唯一标识（或者信息摘要），然后构建散列表。假设图库中有 1 亿张图片，很显然，在单台机器上构建散列表是行不通的。因为单台机器的内存有限，而 1 亿张图片构建散列表显然远远超过了单台机器的内存上限。

方案：同样可以对数据进行分片，然后采用多机处理。

具体思路：

准备 n 台机器，让每台机器只维护某一部分图片对应的散列表。
每次从图库中读取一个图片，计算唯一标识，然后与机器个数 n 求余取模，得到的值就对应要分配的机器编号，然后将这个图片的唯一标识和图片路径发往对应的机器构建散列表。
当要判断一个图片是否在图库中的时候，通过同样的哈希算法，计算这个图片的唯一标识，然后与机器个数 n 求余取模。假设得到的值是 k，那就去编号 k 的机器构建的散列表中查找。

现在估算一下，给这 1 亿张图片构建散列表大约需要多少台机器。散列表中每个数据单元包含两个信息，哈希值和图片文件的路径。假设通过 MD5 来计算哈希值，那长度就是 128 比特，也就是 16 字节。文件路径长度的上限是 256 字节，我们可以假设平均长度是 128 字节。如果我们用链表法来解决冲突，那还需要存储指针，指针只占用 8 字节。

所以，散列表中每个数据单元就占用 152 字节（这里只是估算，并不准确）。假设一台机器的内存大小为 2GB，散列表的装载因子为 0.75，那一台机器可以给大约 1000 万（2GB*0.75/152）张图片构建散列表。所以，如果要对 1 亿张图片构建索引，需要大约十几台机器。在工程中，这种估算还是很重要的，能让我们事先对需要投入的资源、资金有个大概的了解，能更好地评估解决方案的可行性。实际上，针对这种海量数据的处理问题，我们都可以采用多机分布式处理。借助这种分片的思路，可以突破单机内存、CPU 等资源的限制。

七：分布式存储

为了提高数据的读取、写入能力，一般都采用分布式的方式来存储数据，比如分布式缓存。海量的数据需要缓存就需要将数据分布在多台机器上。该如何决定将哪个数据放到哪个机器上呢？借用前面数据分片的思想，即通过哈希算法对数据取哈希值，然后对机器个数取模，这个最终值就是应该存储的缓存机器编号。

问题：如果数据增多，原来的 10 个机器已经无法承受了，就需要扩容了，比如扩到 11 个机器，这时候麻烦就来了。因为，这里并不是简单地加个机器就可以了。原来的数据是通过与 10 来取模的。比如 13 这个数据，存储在编号为 3 这台机器上。但是新加了一台机器中，我们对数据按照 11 取模，原来 13 这个数据就被分配到 2 号这台机器上了。

所有的数据都要重新计算哈希值，然后重新搬移到正确的机器上。这样就相当于，缓存中的数据一下子就都失效了。所有的数据请求都会穿透缓存，直接去请求数据库。这样就可能发生雪崩效应，压垮数据库。

方案：需要一种方法，使得在新加入一个机器后，并不需要做大量的数据搬移。这时候，一致性哈希算法就要登场了。

核心思想：假设有 k 个机器，数据的哈希值的范围是[0, MAX]。将整个范围划分成 m 个小区间（m 远大于 k），每个机器负责 m/k 个小区间。当有新机器加入的时候，我们就将某几个小区间的数据，从原来的机器中搬移到新的机器中。这样，既不用全部重新哈希、搬移数据，也保持了各个机器上数据数量的均衡。除此之外，借助一个虚拟的环和虚拟结点，更加优美地实现出来。

内容小结

在负载均衡应用中，利用哈希算法替代映射表，可以实现一个会话粘滞的负载均衡策略。
在数据分片应用中，通过哈希算法对处理的海量数据进行分片，多机分布式处理，可以突破单机资源的限制。
在分布式存储应用中，利用一致性哈希算法，可以解决缓存等分布式系统的扩容、缩容导致数据大量搬移的难题。

22 | 哈希算法（下）：哈希算法在分布式系统中有哪些应用？相关推荐

【从蛋壳到满天飞】JS 数据结构解析和算法实现-哈希表
前言 [从蛋壳到满天飞]JS 数据结构解析和算法实现,全部文章大概的内容如下: Arrays(数组).Stacks(栈).Queues(队列).LinkedList(链表).Recursion(递归思 ...
查找算法系列之复杂算法：哈希查找
查找算法系列之复杂算法:哈希查找眼下为止已经介绍了顺序查找.二分查找.分块查找.二叉排序树.见作者之前的文章: http://blog.csdn.net/u010025211/article/det ...
大白话之哈希表和哈希算法
哈希表概念哈希表(散列表),是基于关键码值(Key value)而直接进行访问的数据结构.也就是说,它通过把关键码值映射到表中一个位置来访问记录,以加快查找的速度.这个映射函数叫做散列函数(哈希函数 ...
查找算法【哈希表】 - 处理冲突的方法：开放地址法-线性探测法
查找算法[哈希表] - 处理冲突的方法无论如何设计散列函数,都无法避免发生冲突. 如果发生冲突,就需要处理冲突. 处理冲突的方法分为3种: 开放地址法链地址法建立公共溢出区. [开放地址法] 开 ...
趣味算法——探索哈希表的神秘世界
文章目录前言: 一.哈希表的魔力二.哈希表的灵魂--哈希函数 1. 什么是哈希函数 2. 哈希函数的特性 3. 哈希冲突三.解决冲突的艺术 1. 开放寻址法 2. 链地址法 3. 冲突解决策略的 ...
“分布式哈希”和“一致性哈希”的概念与算法实现
分布式哈希和一致性哈希是分布式存储和p2p网络中说的比较多的两个概念了.介绍的论文很多,这里做一个入门性质的介绍. 分布式哈希(DHT) 两个key point:每个节点只维护一部分路由:每个节点只存 ...
数据结构源码笔记（C语言）：哈希表的相关运算算法
//实现哈希表的相关运算算法 #include<stdio.h> #include<malloc.h> #include<string.h>#define MaxS ...
哈希算法python_哈希算法（Python代码实现）
1.常见的数据查找算法: 众所周知,顺序查找是最简单的查找方式,但要将所有数据遍历一遍所以效率相对较低,对大数据量的査找问题显然不行.二分查找的查找效率虽然非常高但是数据必须有序,而对数据排序通常需要 ...
高级数据结构与算法 | 哈希：哈希冲突、负载因子、哈希函数、哈希表、哈希桶
文章目录哈希哈希函数常见的哈希函数字符串哈希函数哈希冲突闭散列的解决方法开散列的解决方法负载因子以及增容对于闭散列对于开散列结构具体实现哈希表(闭散列) 插入查找删除完整 ...

22 | 哈希算法（下）：哈希算法在分布式系统中有哪些应用？