22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.pdf

《22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.pdf》由会员分享，可在线阅读，更多相关《22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.pdf（9页珍藏版）》请在三一文库上搜索。

1、22|哈希算法（下）：哈希算法在分布式系统中有哪些应用？ file:/F/temp/geektime/数据结构与算法之美/22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.html2019/1/15 15:35:50 22|哈希算法（下）：哈希算法在分布式系统中有哪些应用？ 上一节，我讲了哈希算法的四个应用，它们分别是：安全加密、数据校验、唯一标识、散列函数。今天，我们再来看剩余三种应用：负载均衡、数据分片、分布 式存储。 你可能已经发现，这三个应用都跟分布式系统有关。没错，今天我就带你看下，哈希算法是如何解决这些分布式问题的。 应用五：负载均衡 我们知道，负载均衡算法有很多，比如轮询、

2、随机、加权轮询等。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。 最直接的方法就是，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。客户端发出的每次请求，都要先在映射表中查找 应该路由到的服务器编号，然后再请求编号对应的服务器。这种方法简单直观，但也有几个弊端： 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； 如果借助哈希算法，这些问题都可以非常完美地解决。

3、我们可以通过哈希算法，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 行取模运算，最终得到的值就是应该被路由到的服务器编号。 这样，我们就可以把同一个IP过来的所有请求，都路由到同一个后端服务器上。 应用六：数据分片 哈希算法还可以用于数据的分片。我这里有两个例子。 1.如何统计“搜索关键词”出现的次数？ 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，我们想要快速统计出每个关键词被搜索的次数，该怎么做呢？ 我们来分析一下。这个问题有两个难点，第一个是搜索日志很大，没办法放到一台机器的内存中。第二个难点是，如果只用一台机器来处理这么巨大的数据，处 理时间会很

4、长。 针对这两个难点，我们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。具体的思路是这样的：为了提高处理的速度，我们用n台机器并 行处理。我们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。 这样，哈希值相同的搜索关键词就被分配到了同一个机器上。也就是说，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。 22|哈希算法（下）：哈希算法在分布式系统中有哪些应用？ file

5、:/F/temp/geektime/数据结构与算法之美/22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.html2019/1/15 15:35:50 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？上一节我们讲过这个例子，不知道你还记得吗？当时我介绍了一种方法，即给每个图片取唯一标识（或者信息摘要），然后构 建散列表。 假设现在我们的图库中有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。 我们同样可以对数据进行分片，然后采用多机处理。我们准备n台机器，让每台机器只维护某一部分图片

6、对应的散列表。我们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。 当我们要判断一个图片是否在图库中的时候，我们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，我们来估算一下，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。假设我们通过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

7、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。 应用七：分布

8、式存储 现在互联网面对的都是海量的数据、海量的用户。我们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。我们有海量的 数据需要缓存，所以一个缓存机器肯定是不够的。于是，我们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？我们可以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。 但是，如果数据增多，原来的10个机器已经无法承受了，我们就需要扩容了，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，

9、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。 22|哈希算法（下）：哈希算法在分布式系统中有哪些应用？ file:/F/temp/geektime/数据结构与算法之美/22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.html2019/1/15 15:35:50 因此，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。 所以，我们需要一种方法，使得在新加入一个机器后，并不需要做大量

10、的数据搬移。这时候，一致性哈希算法就要登场了。 假设我们有k个机器，数据的哈希值的范围是0, MAX。我们将整个范围划分成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。 22|哈希算法（下）：哈希算法在分布式系统中有哪些应用？ file:/F/temp/geektime/数据结构与算法之美/22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.html2019/1/15 15:35:50 一致性哈希算法的基本思想就是这么简单。除此之

11、外，它还会借助一个虚拟的环和虚拟结点，更加优美地实现出来。这里我就不展开讲了，如果感兴趣，你可以 看下这个介绍。 除了我们上面讲到的分布式缓存，实际上，一致性哈希算法的应用非常广泛，在很多分布式存储系统中，都可以见到一致性哈希算法的影子。 解答开篇&内容小结 这两节的内容理论不多，比较贴近具体的开发。今天我讲了三种哈希算法在分布式系统中的应用，它们分别是：负载均衡、数据分片、分布式存储。 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

12、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。 课后思考 这两节我总共讲了七个哈希算法的应用。实际上，我讲的也只是冰山一角，哈希算法还有很多其他的应用，比如网络协议中的CRC校验、Git commit id等等。除了 这些，你还能想到其他用到哈希算法的地方吗？ 欢迎留言和我分享，我会第一时间给你反馈。 22|哈希算法（下）：哈希算法在分布式系统中有哪些应用？ file:/F/temp/geektime/数据结构与算法之美/22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.html2019/1/15 15:35:50 精选留言： ban 2018-11-09 02:4

13、9:44 一致性算法讲的有的有点抽象，不够详细。我网上找到一个漫画图解，各位可以参考一下：https:/ 77赞 null 2018-11-09 01:31:22 22|哈希算法（下）：哈希算法在分布式系统中有哪些应用？ file:/F/temp/geektime/数据结构与算法之美/22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.html2019/1/15 15:35:50 一致性哈希算法，举个栗子： 我们钟表有 60 分钟，从 0 开始到 59，共 60 个点。 现在我们将机器往这 60 个点分配，规则如下： hash(ip) % 60。 假设有 3 台机器 A，B 和 C，分别被

14、分配到了 14，37 和 46 这三个点上。 图片的分配规则类似： hash(image_id) % 60。 现有 3 张图片 x， y， z，分别被分配到 5，30，50 这三个点。 很明示，图片都没被分配到机器的节点上，怎么办呢?在钟表上顺时钟往前寻找，第一台遇到的机器，就是它的归属。 - 我是分割线 - 现在很不凑巧，A B C 三台机器分别分配到 5，10，15 这三个点。这样对 A 是很不公平的吖，要负责存储绝大多数的图片，那这怎么办呢?我们社会主义核 心价值观基本内容：和谐、平等、公正。为建设和谐社会努力奋斗！ 为了避免不必要的争端，我们引入“虚拟节点”，每台机器都可以拔一根汗毛，

15、变成若干台，把虚拟节点分散到 60 个点上，归属“虚拟节点”的图片，均保存到 它的真身。这样就能解决分配不均匀的问题。 - 应用时，将 60 替换下即可，如替换为 2的 32 次方。 32赞 Hesher 2018-11-09 00:11:47 一致性哈希算法没看懂，只能说看完文章知道了有这么个概念可以解决扩容rehash问题 18赞 作者回复2018-11-09 01:46:48 主要是展开讲内容会很多 网上关于一致性哈希算法的文章很多 你可以看下我给的那个链接。这个算法的核心思想非常简单，网上讲的都很复杂 只是为了实 现起来优美。 会网络的老鼠 2018-11-08 23:27:25 上几

16、节讲过扩容冗余算法，可以避免搬移数据，如果对当前n取模未中再对扩容前的m取模，直到都未中再返回值是不是也可以？ 8赞 22|哈希算法（下）：哈希算法在分布式系统中有哪些应用？ file:/F/temp/geektime/数据结构与算法之美/22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.html2019/1/15 15:35:50 作者回复2018-11-09 01:47:54 也是可以的 Geek_fbe6fe 2018-11-09 02:16:55 跟着作者学习整个数据结构和算法，感觉如醍醐灌顶，好像整个世界被重新打开了，最近也想学习go所以用go实现了到目前为止的所有算法和数据结

17、构，用 于自己学习和理解希望对大家有帮助 https:/ 对于一致性算法：我理解是先从整体上将hash 分好区间m 在通过自己维护一套在K台机器上m区间的分布来实现不需要rehash 的扩容方式 7赞 虎虎 2018-11-13 01:46:46 您在计算1亿张图片的散列表占用内存的部分提到，每个数据单元都包含16字节的md5哈希值。加上文件路径和指针，一共152字节。这里为什么要存哈希值 呢？谢谢 4赞 CCC 2018-11-09 01:40:33 Redis集群就是应用的一致性哈希算法 4赞 星愿 2018-11-26 12:46:33 数据分片“搜索关键词”出现的次数，依次读出每个搜索

18、关键词，的时候就可以计数了吧？ 3赞 姜威 2018-11-16 13:40:48 总结：哈希算法在分布式系统中的应用 1.负载均衡 1.1.需求 如何实现一个会话粘滞（session sticky）的负载均衡算法？也就是说，在一次会话中的所有请求都路由到同一个服务器上。 1.2.解决方案 通过哈希算法对客户端IP或会话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运算，最终得到的值就是应该被路由到的服务器编号。这样， 就可以把同一个IP过来的请求都路由到同一个后端服务器上。 2.数据分片 2.1.如何统计“搜索关键词”出现的次数？ 需求描述 假如我们有1T的日志文件，这里面记录了用

19、户的搜索关键词，我们想要快速统计出每个关键词被搜索的次数，该怎么做呢？ 问题分析 这个问题有两个难点，第一个是搜索的日子很大，没办法放到一台机器的内存中。第二个是只用一台机器来处理这么巨大的数据，处理时间会很长。 解决方案 先对数据进行分片，然后采用多台（比如n台）机器进行处理。具体做法：从搜索记录的日志文件中依次读取每个关键词，并通过哈希函数计算该关键词的 n 22|哈希算法（下）：哈希算法在分布式系统中有哪些应用？ file:/F/temp/geektime/数据结构与算法之美/22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.html2019/1/15 15:35:50 哈希值，然

20、后跟机器的台数 取模，最终得到值就是该关键词应该被分到的机器编号，这样相同的关键词一定会被分配到同一台机器上，数据分配完成后， 由多台机器并行进行统计，最后合并起来就是最终结果。 实际上，这里的处理过程也是 MapReduce 的基本设计思想。 2.2.如何快速判断图片是否存在图库中？ 需求描述 假设现在我们的图库中有1亿张图片，如何快速判断图片是否在图库中？基本方式是给每个图片去唯一表示（或者信息摘要），然后构建散列表。 问题分析 很显然，在单台机器上构建散列表示行不通的，因为单台机器的内存有限，而1亿张图片构建散列表远远超过了单台机器的内存上限。 解决方案 准备n台机器，让每台机器只维护一

21、部分图片对应的散列表。我们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表示和图片路径发往对应的机器构建散列表。 当我们要判断一个图片是否在图库中时，我们通过同样的哈希算法，计算这个图片的唯一表示，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 为k的机器构建的散列表中查找。 如何估算给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。假设我们通过 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

22、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、C

23、PU 等资源的限制。 3.分布式存储 3.1.什么是分布式存储？ 分布式存储就是将数据存储在多台机器上并提供高效的读取、写入支持。那如何决定将哪个数据放到哪个机器上呢？可以利用数据分片的思想，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。 3.2.遇到的问题是什么？ 如果数据持续增多，原来的机器数量已经不能满足需求，就需要增加机器，这时就麻烦了，因为所有的数据都需要重新哈希值进行再次分配。这就相当于， 缓存中的数据一下子都失效了，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。 3.3.解决方案是什么？ 这时，需要一

24、种方法，使得新加入一个机器后，并不需要做大量的数据搬移。那就是在分布式系统中应用非常广泛的一致性哈希算法。 一致性哈希算法的基本思想是什么呢？为了说清楚这个问题，我们假设有k个机器，数据的哈希值范围是0-MAX，我们将整个范围划分成m个小区间（m 远大于k），每个机器复杂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量的均衡。 3赞 22|哈希算法（下）：哈希算法在分布式系统中有哪些应用？ file:/F/temp/geektime/数据结构与算法之美/22哈希算法（下）：哈希算法在分布式系统中有哪些应用？.html2019/1/15 15:35:50 spark 2018-11-09 04:58:57 感觉评论里好多技术大佬，如果老师能附上一致性哈希算法代码案例就更好了 3赞 作者回复2018-11-12 01:58:56 嗯嗯 感谢给出的意见