一、hash算法
我们有3w条数据要放在3台redis服务器上，根据id或者其他关键字进行hash取模，分布到A，B，C这3台机器上。
hash（id）% N
N为redis服务器数量。
image.png
但是这样有什么问题呢?
1.数据分配不均匀，可能大部分数据都集中到一台机器上。
2.当其中一台机器宕掉的话或者数据量越来越大增加一台服务器的话，那么所有数据都要重新hash取模，导致大量缓存数据失效，可能同时打到数据库上，从而造成雪崩的情况。
二、hash一致性算法
这个hash一致性算法有个环形空间的概念，将value映射到32位的key值内，首尾相连形成一个圆形，取值范围为0~2^32-1。
现在还是3台服务器，
image.png
然后一个对象进行hash获取对应的key值比如key1，顺时针找最先找到的节点事cacheA，那么数据就缓存再A服务器上。
那么这时候有一台服务宕机了，比如cacheA。那么key1顺时针找到的节点就是cacheB了，那么受影响的数据只有本来应该在cacheA的数据全部转移到cacheB上去了，影响的数据就少了，不会造成大量缓存数据失效。
问题2解决了，但问题1还是没法解决，数据可能还是会集中到某一台机器上。这就是hash倾斜性的问题，hash无法保证数据均匀分布。
image.png
为此引入了虚拟节点，一个真实节点对应多个虚拟节点。引入虚拟节点后，对象不是直接映射到真实节点上，而是虚拟节点。再通过虚拟节点映射到真实节点。
image.png
image.png
这样数据就更均匀分布了。当服务器数量越多，节点越多，数据就越分布均匀。
