一致性哈希算法与高可用集群代理

假定N为后台服务节点数,当前台携带关键字key发起请求时,我们通常将key进行hash后采用模运算(hash(key)%N)来将请求分发到不同的节点上。

对前台请求于后台无状态服务节点不敏感的场景而言,只要请求key具有一定的随机性,哪怕节点动态增删,该算法于后台而言已可以达到很好的负载均衡效果。

但对于分布式缓存,或者分布式数据库等场景而言,上述方式就不合适了。因后台节点的增删会引起几乎所有key的重新映射。这样,于分布式缓存而言,均发生cache miss;于分布式数据库而言发生数据错乱,其影响是灾难性的。

而一致性哈希算法的目标是,当K个请求key发起请求时。后台增减节点,只会引起K/N的key发生重新映射。即一致性哈希算法,在后台节点稳定时,同一key的每次请求映射到的节点是一样的。而当后台节点增减时,该算法尽量将K个key映射到与之前相同的节点上。

1)一致性哈希算法原理

一致性哈希算法是将每个Node节点映射到同一个圆上。将各Node的key采用hash计算,可得到一个整数数组。将该数组排序后,首尾相连即是一个圆。如下图所示,Node的key分布在圆的不同弧段上。同理,若有一请求key,hash后落入该圆的某一弧段(下图三角点所示),顺时针方向寻得离其最近的节点即为其服务节点(下图Node2)。这样每个节点覆盖了圆上从上一节点到其本身的一段弧段区间。如某一节点失效,之前落入其弧段区间的请求即会顺时针移到与其相邻的节点(下图如Node2失效,之前落入Node3至Node2弧段的请求会落入Node1)。而未落入失效弧段区间的节点则不受影响(之前落入Node2至Node3弧段的请求,当Node2失效后不受影响)。增加节点的场景与此类似,新的节点承载一段新区间,这样,落入失效节点至新节点弧段的请求会被新节点所承载。

在节点固定的情况下,为了增加节点在圆上分布的均匀性与分散性,可以设置节点的replicas(副本数)。下图将replicas设置为2,各节点承载的弧段范围已更加精细且于整体而言分布更加分散。所以适当调节replicas参数可以提高算法的均衡性。

2)Golang一致性哈希算法实现代码

本文的hash函数,是对key先做一次md5Sum,然后采用crc32做checkSum得到一个正数。

package consistent_hashing
import (
 "crypto/md5"
 "hash/crc32"
 "sort"
 "strconv"
 "sync"
)
type Node struct {
 Id string
 Address string
}
type ConsistentHashing struct {
 mutex sync.RWMutex
 nodes map[int]Node
 replicas int
}
func NewConsistentHashing(nodes []Node, replicas int) *ConsistentHashing {
 ch := &ConsistentHashing{nodes: make(map[int]Node), replicas: replicas}
 for _, node := range nodes {
 ch.AddNode(node)
 }
 return ch
}
func (ch *ConsistentHashing) AddNode(node Node) {
 ch.mutex.Lock()
 defer ch.mutex.Unlock()
 for i := 0; i < ch.replicas; i++ {
 k := hash(node.Id + "_" + strconv.Itoa(i))
 ch.nodes[k] = node
 }
}
func (ch *ConsistentHashing) RemoveNode(node Node) {
 ch.mutex.Lock()
 defer ch.mutex.Unlock()
 for i := 0; i < ch.replicas; i++ {
 k := hash(node.Id + "_" + strconv.Itoa(i))
 delete(ch.nodes, k)
 }
}
func (ch *ConsistentHashing) GetNode(outerKey string) Node {
 key := hash(outerKey)
 nodeKey := ch.findNearestNodeKeyClockwise(key)
 return ch.nodes[nodeKey]
}
func (ch *ConsistentHashing) findNearestNodeKeyClockwise(key int) int {
 ch.mutex.RLock()
 sortKeys := sortKeys(ch.nodes)
 ch.mutex.RUnlock()
 for _, k := range sortKeys {
 if key <= k {
 return k
 }
 }
 return sortKeys[0]
}
func sortKeys(m map[int]Node) []int {
 var sortedKeys []int
 for k := range m {
 sortedKeys = append(sortedKeys, k)
 }
 sort.Ints(sortedKeys)
 return sortedKeys
}
func hash(key string) int {
 md5Chan := make(chan []byte, 1)
 md5Sum := md5.Sum([]byte(key))
 md5Chan <- md5Sum[:]
 return int(crc32.ChecksumIEEE(<-md5Chan))
}

3)均匀性分析

构建服务节点时,为模拟节点key在圆上的分布,简单采用id(0,1,2)做初始key,replicas为100。根据点间距等比例划分圆后得到其位置,彩色小圆点为其对应的节点(红绿蓝对应0,1,2);

三角点代表外部请求的三个字符串(10.10.10.10,10.10.20.11,10.10.30.12)hash后按算法取到的服务节点;

使用Python matplotlib工具描点绘图如下。

从图可知,节点虽少(3个),但扩大副本量后,key的分布已具有一定的均匀性与分散性,外部key请求的最终落地节点于整体服务节点而言也是比较均匀的。

[画像:consistent-hashing-circle]

4)Golang高可用集群代理代码

一致性哈希算法具有很广泛的使用场景。如做请求分流与负载均衡,分布式缓存,分布式存储等。如下代码调用Golang反向代理类库,结合上述一致性哈希算法,根据请求头标记做分发,数行代码,即可构建一个小巧高可用的代理服务器。

package main
import (
 "consistent_hashing"
 "net/http"
 "net/http/httputil"
 "net/url"
)
func main() {
 nodes := []consistent_hashing.Node{
 {"0", "http://10.10.1.10/"},
 {"1", "http://10.10.1.11/"},
 {"2", "http://10.10.1.12/"},
 }
 ch := consistent_hashing.NewConsistentHashing(nodes, 100)
 http.HandleFunc("/", func(w http.ResponseWriter, r *http.Request) {
 sign := r.Header.Get("sign")
 node := ch.GetNode(sign)
 uri, _ := url.Parse(node.Address)
 httputil.NewSingleHostReverseProxy(uri)
 })
 http.ListenAndServe(":8080", nil)
}

参考资料
[1] https://en.m.wikipedia.org/wiki/Consistent_hashing
[2] http://michaelnielsen.org/blog/consistent-hashing/
[3] http://www8.org/w8-papers/2a-webserver/caching/paper2.html

大连
2017年12月01日

本文来自:磊磊落落的博客

感谢作者:Larry

查看原文:一致性哈希算法与高可用集群代理

• 编辑
• 预览