无码综合天天久久综合网,日韩肉丝美女波多野结衣,麻豆视频传媒app

C#實戰(zhàn)：一致性Hash算法

轉(zhuǎn)帖|其它|編輯：郝浩|2010-09-02 15:02:58.000|閱讀 671 次

概述：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)增減變動時對散列值的影響。后來在JAVAEYE上的一篇文章中，找到了其中的 KetamaHash 算法的JAVA實現(xiàn)(一種基于虛擬結(jié)點的HASH算法)，于是為了加深理解，對照 JAVA版本，用C#重寫了一個。　　

# 界面/圖表報表/文檔/IDE等千款熱門軟控件火熱銷售中 >>

　　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)增減變動時對散列值的影響。后來在JAVAEYE上的一篇文章中，找到了其中的 KetamaHash 算法的JAVA實現(xiàn)(一種基于虛擬結(jié)點的HASH算法)，于是為了加深理解，對照 JAVA版本，用C#重寫了一個。　　

下面是對Ketama的介紹：

#div_code img{border:0px;}

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，這類方法其實有點像大學(xué)里的微積分的思想(通過連續(xù)函數(shù)的取值區(qū)間來計算圖形面積)。通過把已知的實結(jié)點(memcached服務(wù)IP端口)列表結(jié)成一個圓，然后在兩兩實結(jié)點之間“放置”盡可能多的虛擬節(jié)點(上面文中的unsigned ints)，假設(shè)用戶數(shù)據(jù)映射在虛擬節(jié)點上(用戶數(shù)據(jù)真正存儲位置是在該虛擬節(jié)點代表的實際物理服務(wù)器上)，這樣就能抑制分布不均勻，最大限度地減小服務(wù)器增減時的緩存重新分布。如下圖：

　　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)量比較少的時候需要增加虛擬節(jié)點來保證服務(wù)器能均勻的分布在圓環(huán)上。因為使用一般的hash方法，服務(wù)器的映射地點的分布非常不均勻。使用虛擬節(jié)點的思想，為每個物理節(jié)點(服務(wù)器)在圓上分配100～200個點。這樣就能抑制分布不均勻，最大限度地減小服務(wù)器增減時的緩存重新分布。用戶數(shù)據(jù)映射在虛擬節(jié)點上，就表示用戶數(shù)據(jù)真正存儲位置是在該虛擬節(jié)點代表的實際物理服務(wù)器上。

　　了解了原理，下面看一下具體實現(xiàn)。

　　JAVA實現(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行注釋說明，所以讓我剩了不少時間。　　

　　下面是相應(yīng)的.NET實現(xiàn)(注釋參考JAVA版本):

#div_code img{border:0px;}

public class KetamaNodeLocator
{
//原文中的JAVA類TreeMap實現(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，因為使用的靜態(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，生成nCopies個虛擬結(jié)點
foreach (string node in nodes)
{
//每四個虛擬結(jié)點為一組
for (int i = 0; i < numReps / 4; i++)
{
//getKeyForNode方法為這組虛擬結(jié)點得到惟一名稱
byte[] digest = HashAlgorithm.computeMd5(node + i);
/** Md5是一個16字節(jié)長度的數(shù)組，將16字節(jié)的數(shù)組每四個字節(jié)一組，分別對應(yīng)一個虛擬結(jié)點，這就是為什么上面把虛擬結(jié)點四個劃分一組的原因*/
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;
//如果找到這個節(jié)點，直接取節(jié)點，返回
if (!ketamaNodes.ContainsKey(key))
{
//得到大于當(dāng)前key的那個子Map，然后從中取出第一個key，就是大于且離它最近的那個key 說明詳見: //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)方法實現(xiàn)：

#div_code img{border:0px;}

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:測試隨機生成的眾多key是否會平均分布到各個結(jié)點上測試結(jié)果如下:

　　最上面一行是參數(shù)說明，節(jié)點數(shù)目，總共有多少key，每個節(jié)點應(yīng)該分配key的比例是多少。下面是每個結(jié)點分配到key的數(shù)目和比例。多次測試后發(fā)現(xiàn)，這個Hash算法的節(jié)點分布都在標(biāo)準(zhǔn)比例左右徘徊。

　　節(jié)點增刪測試:在環(huán)上插入N個結(jié)點，每個節(jié)點nCopies個虛擬結(jié)點。隨機生成眾多key，在增刪節(jié)點時，測試同一個key選擇相同節(jié)點的概率，測試如果如下: