一致性哈希算法主要解决什么问题

一致性哈希算法主要解决分布式系统中节点动态增减时的大规模数据迁移问题。

在分布式系统里，数据通常分片存储到多个节点。传统哈希算法（如hash(key) % N）依赖节点总数N做取模运算。一旦节点扩容或缩容（比如从3台加到4台），N值变化会导致绝大多数key的映射关系失效。这迫使系统迁移大量数据，迁移规模接近O(M)（M是总数据量），成本极高且影响服务稳定性。

一致性哈希通过哈希环设计优化了这个问题。它把节点和数据都映射到一个固定范围（如2^32）的环上。数据按顺时针方向找到最近节点存储。当节点增减时，仅影响相邻区间的少量数据，迁移量大幅降低。例如，扩容一台新节点，只需迁移部分相邻数据，而非全量重分布。

简单说，它让分布式系统在动态扩缩容时保持数据定位的稳定性，减少运维开销。这在大规模缓存、数据库分片等场景尤其关键。

一致性哈希算法如何减少数据迁移？

一致性哈希算法主要解决分布式系统节点变化时的数据迁移问题。传统哈希算法在节点增减后，需要重新计算所有数据的映射关系，迁移成本很高。说白了，一致性哈希用了一个哈希环。节点和数据都映射到这个环上。当增加或删除节点时，只影响环上相邻的数据。其他数据位置不变。你看，比如一个缓存系统有3个节点，加一个新节点后，只有部分数据需要移动。迁移量从O(M)降到O(M/N)，M是数据总量，N是节点数。这样系统扩容缩容更轻松。

一致性哈希算法在哪些场景常用？

这个算法常用于需要动态调整节点的分布式系统。比如分布式缓存服务，像Redis集群。当流量增长时，添加新服务器不会导致所有缓存失效。还有内容分发网络（CDN），节点分布在全球，服务器故障或新增时，用户请求能快速重定向。另外，负载均衡系统也用它。话说回来，它适合数据分片存储的场景，每个节点存不同数据。不像轮询算法，所有节点数据相同。实际中，Nginx和Memcached都实现了带虚拟节点的一致性哈希，处理高并发请求更稳定。

一致性哈希算法有什么缺陷及改进方法？

算法本身有节点分布不均的问题。哈希环上节点位置随机，可能导致某些节点负载过高。比如，三个节点挤在环的一小段，大部分请求压到一个节点上。这容易引发雪崩，一个节点宕机后，压力全转给邻居。所以，实际应用会加虚拟节点。每个物理节点生成多个虚拟副本，均匀撒在环上。例如，一个服务器对应160个虚拟节点。这样数据分布更平衡。虚拟节点也支持权重调整，硬件强的节点分配更多虚拟点。改进后，系统稳定性和均衡性都提升。腾讯和微信的后端就用这方法应对流量波动。