用最通俗易懂的方式来解释下一致性hash算法；

首先我们要明确的是一般的hash算法在取模的时候往往跟实际应用有关！

比如说nginx hash的时候，会根据后台的应用服务器数量进行取模，比如说后台有四台应用，那么hash（key）%4 =（0,1,2,3）,就能获取到具体哪一台的标号，这个时候如果后台应用需要扩容，那么hash算法就要换成hash（key）%6 =（0,1,2,3,4,5），分布到六台不同的机器上去请求，看着没什么太大问题，但是如果我们把场景切换为数据库根据业务主键business_no进行hash的的分库分表结构，在切换之后，因为hash算法的改变，原本的数据落在4，但是hash结果为5，肯定查不到原来的数据，这就出现了数据查询错误问题！

而如果上述问题是出现在redis上，因为数据大量不命中，大量的查询降落在底层的数据库上，严重的话发生缓存雪崩问题，导致数据库系统乃至整个系统全部雪崩；

下面详细说下一致性hash算法（以redis存储为例），来解决上面遇到的问题：

我来给大家讲讲一致性hash算法，如果有理解错误的地方，也请大家留言指正。

单台服务器

就拿Redis来举例吧，我们经常会用Redis做缓存，把一些数据放在上面，以减少数据的压力。

当数据量少，访问压力不大的时候，通常一台Redis就能搞定，为了高可用，弄个主从也就足够了；

其实不光光是Java面试，其它编程语言的面试过程中往往也会问及一致性Hash算法问题，不少开发者可能听说过“一致性Hash”这个术语，但却不了解什么是一致性Hash，一致性Hash是用来解决什么问题的。

“Hash算法”与“一致性Hash算法”是不同的概念

不少人容易把“Hash算法”与“一致性Hash算法”混淆，甚至认为两者是同个意思。其实，“Hash算法”与“一致性Hash算法”是不同的概念，“一致性Hash算法”是一种特殊的“Hash算法”！

1、Hash算法

Hash算法有很多种说法，如：散列函数、哈希算法等，它是一种函数，用来把任意长度的内容通过Hash算法转换为固定长度的输出。

常见的Hash算法有：MD5、SHA1等。MD5都用过，任何长度的字符串经过MD5处理后会得到固长的Hash值。

一致性hash算法，常被应用到分布式集群缓存中。

其原理主要是把节点(做缓存的物理主机，如IP)和数据(要缓存的具体数据)都做一次哈希运算，然后把数据缓存到哈希运算后离得最近的节点上去。

此处借个图

其中，右边的深蓝色的表示节点，橘色的表示数据，然后按顺时针方向去寻找最近的节点就可以了……

环割法（一致性 hash）

环割法的原理如下：

1. 初始化的时候生成分片数量 X × 环割数量 N 的固定方式编号的字符串，例如 SHARD-1-NODE-1，并计算所有 X×N 个字符串的所有 hash 值。

2. 将所有计算出来的 hash 值放到一个排序的 Map 中，并将其中的所有元素进行排序。

3. 输入字符串的时候计算输入字符串的 hash 值，查看 hash 值介于哪两个元素之间，取小于 hash 值的那个元素对应的分片为数据的分片。

举个应用场景：分布式存储

现在互联网面对的都是海量的数据和海量的用户，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，所以一台机器是肯定不够的，于是我们需要将数据分布在多台机器上。

该如何决定哪些数据放在那台机器上，可以借助数据分片的思想，采用hash算法对数据取hash值，然后对机器取模，这个最终值就是存储缓存的机器编号。

但是如果数据增多，原来的10台机器不够，需要扩容到13台机器，那么原来数据是通过与10来取模的，比如15这个数据，与10取模就是5，现在与13取模就是2。机器的编号完全变了，扩容并不是简单的增加机器，而是需要重新计算机器上的缓存存储位置。这无疑是一件很头疼的问题。

所以，我们需要一种方法，是的新加入机器后，并不需要做大量的数据搬迁，这时候就需要用到一致性hash算法了。