最近项目中一个分布式应用碰到一些设计问题，听过上次技术沙龙key value store漫谈的同学可能会比较容易理解以下说明。

    场景

    假定一个有状态的服务，可以理解成web或者socket服务器，每个用户在这个服务上登录后是有状态的，我们把它的状态连同其他加载到内存的用户数据统称用户session。由于session数据实时会变化，加上程序访问session频率大，几乎所有的操作都跟session数据相关，因此不适合放在远程memcached中

    第一阶段

    考虑到单服务器不能承载，因此使用了分布式架构，最初的算法为 hash() mod n, hash()通常取用户ID，n为节点数。此方法容易实现且能够满足运营要求。缺点是当单点发生故障时，系统无法自动恢复。

    

    第二阶段

    为了解决单点故障，使用 hash() mod (n/2), 这样任意一个用户都有2个服务器备选，可由client随机选取。由于不同服务器之间的用户需要彼此交互，所以所有的服务器需要确切的知道用户所在的位置。因此用户位置被保存到memcached中。

    当一台发生故障，client可以自动切换到对应backup，由于切换前另外1台没有用户的session，因此需要client自行重新登录。

    

    这个阶段的设计存在以下问题

负载不均衡，尤其是单台发生故障后剩下一台会压力过大。不能动态增删节点节点发生故障时需要client重新登录

    第三阶段

    打算去掉硬编码的hash() mod n 算法，改用一致性哈希(consistent hashing)分布

    假如采用Dynamo中的strategy 1(可参看Dynamo: Amazon’s Highly Available Key-value Store, PDF, P216)

    我们把每台server分成v个虚拟节点，再把所有虚拟节点(n*v)随机分配到一致性哈希的圆环上，这样所有的用户从自己圆环上的位置顺时针往下取到第一个vnode就是自己所属节点。当此节点存在故障时，再顺时针取下一个作为替代节点。

    

    优点：发生单点故障时负载会均衡分散到其他所有节点，程序实现也比较优雅。

    应用一致性哈希分布后若干问题

    1.如何解决单点故障时候的session迁移？是否所有session都像Dynamo那样写入到多个节点(或双写)？如果双写所有的服务器需要消耗2倍的内存及更多CPU资源，所以优先不考虑双写方案。

    2.如果不双写，则发生故障切换时，即使服务器内部自动帮用户切换节点不重新登录，都需要牵涉到大量session重建，会引起集群震荡。当然这里可以稍微优化，比如session按需建立，IDLE的用户可以先不重建。

    3.当故障节点恢复时候如何处理？Dynamo的策略是故障期间所有的数据都属于hinted handoff, 就是备用机起业务代理作用，一旦故障机恢复就立即把所有临时数据从备用机拉回去，然后整个集群恢复正常流程。但由于本场景session数据比较笨重，而且牵涉到复制时存在并发变更，如果直接借鉴Dynamo的话则感觉切换成本过高，大部分开发人员倾向于继续用备用机处理该用户业务。如果恢复正常后不切换，则存在用户位置的不确定性，使用一致性哈希算出来的结果和用户实际所在的节点不同。需要顺着圆环往下找用户,效率很低。因此就有提议把所有用户所在的当前节点位置写入memcached。

    5. 假如需要将位置写入memcached,那似乎一致性哈希算法又成了花瓶，完全可以由client在create session时候随机选取一个没有故障的节点, 然后把位置写入memcached, 某个节点发生故障时，client再另外选一个随机的，并把新的位置写入memcached, 所有用户所在节点的位置都通过memcached来存储，服务器之间实时的通讯也通过查询memcached来寻址。从实用的角度来看，这样似乎程序更简单。

    因此，一致性哈希分布对于这个场景来说是无用的？

建议继续学习：

1. 一致性哈希算法及其在分布式系统中的应用    (阅读：7935)
2. 分布式哈希和一致性哈希    (阅读：7666)
3. 关于哈希map奇慢无比的原因定位    (阅读：3936)
4. PHP哈希表碰撞攻击原理    (阅读：4018)
5. 浅析Linux Kernel 哈希路由表实现(一)    (阅读：3193)
6. Java Hash Algorithm Collision Practice （JAVA哈希算法冲突实践）    (阅读：3061)
7. MySQL B+树索引和哈希索引的区别    (阅读：3078)
8. Cuckoo Filter：设计与实现    (阅读：3069)
9. 一致性哈希算法(consistent hashing)    (阅读：2966)
10. 我为什么要使用哈希    (阅读：2179)