五：负载均衡

问题：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。

方法一：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。

缺点：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

哈希方法：通过一个hash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，最后得到的值就是应该被路由到的服务器的编号。这样就可以把同一个ip过来的所有请求都路由到同一台机器上去

六：数据分片

哈希算法还可以用于数据的分片

1、如何统计“搜索关键词”出现的次数？

问题：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，要快速统计出每个关键词被搜索的次数，该怎么做呢？

难点：一是搜索日志很大，没办法放到一台机器的内存中。二是，如果只用一台机器来处理这么巨大的数据，处理时间会很长

方案：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：

为了提高处理的速度，用 n 台机器并行处理。
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。
哈希值相同的搜索关键词就被分配到了同一个机器上。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

加深理解：服务器会提前把1T分为很多份，给不同的计算机。当关键词myth来了，所有计算机都搜，搜到的结果，hash一下，得到的值都是一样的。 hash值位数很大，所以需要一个函数，让这些hash百分百到一台机子上，这就是对n取模了。因为hash都一样，所以取模后都到一台机子上了。相当于很多台计算机，瞬间得到结果，转移到一台机子上。

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。

方案：同样可以对数据进行分片，然后采用多机处理。

具体思路：

准备 n 台机器，让每台机器只维护某一部分图片对应的散列表。
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。
当要判断一个图片是否在图库中的时候，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。

七：分布式存储

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。海量的数据需要缓存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？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。

问题：如果数据增多，原来的 10 个机器已经无法承受了，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，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。

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。

方案：需要一种方法，使得在新加入一个机器后，并不需要做大量的数据搬移。这时候，一致性哈希算法就要登场了。

核心思想：假设有 k 个机器，数据的哈希值的范围是[0, MAX]。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。除此之外，借助一个虚拟的环和虚拟结点，更加优美地实现出来。