1. 技术文章
  2. 一文详解分布式缓存（附代码）

一文详解分布式缓存（附代码）

由 扶醉桌前 提交于 2020-10-02 10:58:16

image

又是一个没有开工红包的公司！！！

问题分析

通过以上对话，各位是否能够猜到所有缓存穿透的原因呢？回答之前我们先来看一下缓存策略的具体代码
缓存服务器IP=hash(key)%服务器数量

这里还要多说一句，key的取值可以根据具体业务具体设计。比如，我想要做负载均衡，key可以为调用方的服务器IP；获取用户信息，key可以为用户ID；等等。

在服务器数量不变的情况下，以上设计没有问题。但是要知道，程序员的现实世界是悲惨的，唯一不变的就是业务一直在变。我本无奈，只能靠技术来改变这种状况。

假如我们现在服务器的数量为10，当我们请求key为6的时候，结果是4，现在我们增加一台服务器，服务器数量变为11，当再次请求key为6的服务器的时候，结果为5.不难发现，不光是key为6的请求，几乎大部分的请求结果都发生了变化，这就是我们要解决的问题， 这也是我们设计分布式缓存等类似场景时候主要需要注意的问题。

我们终极的设计目标是：在服务器数量变动的情况下

  1. 尽量提高缓存的命中率（转移的数据最少）
  2. 缓存数据尽量平均分配

解决方案

通过以上的分析我们明白了，造成大量缓存失效的根本原因是公式分母的变化，如果我们把分母保持不变，基本上可以减少大量数据被移动

分母不变方案

如果基于公式：缓存服务器IP=hash(key)%服务器数量 我们保持分母不变，基本上可以改善现有情况。我们选择缓存服务器的策略会变为：

缓存服务器IP=hash(key)%N （N为常数）
N的数值选择，可以根据具体业务选择一个满足情况的值。比如：我们可以肯定将来服务器数量不会超过100台，那N完全可以设定为100。那带来的问题呢？

目前的情况可以认为服务器编号是连续的，任何一个请求都会命中一个服务器，还是以上作为例子，我们服务器现在无论是10还是增加到11，key为6的请求总是能获取到一台服务器信息，但是现在我们的策略公式分母为100，如果服务器数量为11，key为20的请求结果为20，编号为20的服务器是不存在的。

以上就是简单哈希策略带来的问题（简单取余的哈希策略可以抽象为连续的数组元素，按照下标来访问的场景）

为了解决以上问题，业界早已有解决方案，那就是一致性哈希。

一致性哈希算法在1997年由麻省理工学院的Karger等人在解决分布式Cache中提出的，设计目标是为了解决因特网中的热点(Hot spot)问题，初衷和CARP十分类似。一致性哈希修正了CARP使用的简单哈希算法带来的问题，使得DHT可以在P2P环境中真正得到应用。

一致性哈希具体的特点，请各位百度，这里不在详细介绍。至于解决问题的思路这里还要强调一下:

  1. 首先求出服务器（节点）的哈希值，并将其配置到环上，此环有2^32个节点。
  2. 采用同样的方法求出存储数据的键的哈希值，并映射到相同的圆上。
  3. 然后从数据映射到的位置开始顺时针查找，将数据保存到找到的第一个服务器上。如果超过2^32仍然找不到服务器，就会保存到第一台服务器上

  4. image

当增加新的服务器的时候会发生什么情况呢？
image

通过上图我们可以发现发生变化的只有如黄色部分所示。删除服务器情况类似。

通过以上介绍，一致性哈希正是解决我们目前问题的一种方案。解决方案千万种，能解决问题即为好。

优化方案

到目前为止方案都看似完美，但现实是残酷的。以上方案虽好，但还存在瑕疵。假如我们有3台服务器，理想状态下服务器在哈希环上的分配如下图：

image
但是现实往往是这样：

image

这就是所谓的哈希环偏斜。分布不均匀在某些场景下会依次压垮服务器，实际生产环境一定要注意这个问题。为了解决这个问题，虚拟节点应运而生。

image

如上图，哈希环上不再是实际的服务器信息，而是服务器信息的映射信息，比如：ServerA-1,ServerA-2 都映射到服务器A，在环上是服务器A的一个复制品。这种解决方法是利用数量来达到均匀分布的目的，随之需要的内存可能会稍微大一点，算是空间换取设计的一种方案。

扩展阅读

  • 既然是哈希就会有哈希冲突，那多个服务器节点的哈希值相同该怎么办呢？我们可以采用散列表寻址的方案：从当前位置顺时针开始查找空位置，直到找到一个空位置。如果未找到，菜菜认为你的哈希环是不是该扩容了，或者你的分母参数是不是太小了呢。
  • 在实际的业务中，增加服务器或者减少服务器的操作要比查找服务器少的多，所以我们存储哈希环的数据结构的查找速度一定要快，具体说来本质是：自哈希环的某个值起，能快速查找第一个不为空的元素。
  • 如果你度娘过你就会发现，网上很多介绍虚拟哈希环节点个数为2^32(2的32次方)，千篇一律。难道除了这个个数就不可以吗？在菜菜看来，这个数目完全必要这么大，只要符合我们的业务需求，满足业务数据即可。
  • 一致性哈希用到的哈希函数，不止要保证比较高的性能，还要保持哈希值的尽量平均分布，这也是一个工业级哈希函数的要求，一下代码实例的哈希函数其实不是最佳的，有兴趣的同学可以优化一下。
  • 有些语言自带的GetHashCode（）方法应用于一致性哈希是有问题的，例如c#。程序重启之后同一个字符串的哈希值是变动的。所有需要一个更加稳定的字符串转int的哈希算法。

一致性哈希解决的本质问题是：相同的key通过相同的哈希函数，能正确路由到相同的目标。像我们平时用的数据库分表策略，分库策略，负载均衡，数据分片等都可以用一致性哈希来解决。

理论结合实际才是真谛(NetCore代码)

以下代码经过少许修改可直接应用于中小项目生产环境

//真实节点的信息
public abstract class NodeInfo
{
public abstract string NodeName { get; }
}

测试程序所用节点信息：

class Server : NodeInfo
{
public string IP { get; set; }
public override string NodeName
{
get => IP;
}
}

以下为一致性哈希核心代码：


/// <summary>
/// 1.采用虚拟节点方式  2.节点总数可以自定义  3.每个物理节点的虚拟节点数可以自定义
/// </summary>
public class ConsistentHash
{
//哈希环的虚拟节点信息
public class VirtualNode
{
public string VirtualNodeName { get; set; }
public NodeInfo Node { get; set; }
}
    //添加元素 删除元素时候的锁，来保证线程安全，或者采用读写锁也可以
    private readonly object objLock = new object();

    //虚拟环节点的总数量，默认为100
    int ringNodeCount;
    //每个物理节点对应的虚拟节点数量
    int virtualNodeNumber;
    //哈希环，这里用数组来存储
    public VirtualNode[] nodes = null;
    public ConsistentHash(int _ringNodeCount = 100, int _virtualNodeNumber = 3)
    {
        if (_ringNodeCount <= 0 || _virtualNodeNumber <= 0)
        {
            throw new Exception("_ringNodeCount和_virtualNodeNumber 必须大于0");
        }
        this.ringNodeCount = _ringNodeCount;
        this.virtualNodeNumber = _virtualNodeNumber;
        nodes = new VirtualNode[_ringNodeCount];
    }
    //根据一致性哈希key 获取node信息,查找操作请业务方自行处理超时问题，因为多线程环境下，环的node可能全被清除
    public NodeInfo GetNode(string key)
    {
        var ringStartIndex = Math.Abs(GetKeyHashCode(key) % ringNodeCount);
        var vNode = FindNodeFromIndex(ringStartIndex);
        return vNode == null ? null : vNode.Node;
    }
    //虚拟环添加一个物理节点
    public void AddNode(NodeInfo newNode)
    {
        var nodeName = newNode.NodeName;
        int virtualNodeIndex = 0;
        lock (objLock)
        {
            //把物理节点转化为虚拟节点
            while (virtualNodeIndex < virtualNodeNumber)
            {
                var vNodeName = $"{nodeName}#{virtualNodeIndex}";
                var findStartIndex = Math.Abs(GetKeyHashCode(vNodeName) % ringNodeCount);
                var emptyIndex = FindEmptyNodeFromIndex(findStartIndex);
                if (emptyIndex < 0)
                {
                    // 已经超出设置的最大节点数
                    break;
                }
                nodes[emptyIndex] = new VirtualNode() { VirtualNodeName = vNodeName, Node = newNode };
                virtualNodeIndex++;

            }
        }
    }
    //删除一个虚拟节点
    public void RemoveNode(NodeInfo node)
    {
        var nodeName = node.NodeName;
        int virtualNodeIndex = 0;
        List<string> lstRemoveNodeName = new List<string>();
        while (virtualNodeIndex < virtualNodeNumber)
        {
            lstRemoveNodeName.Add($"{nodeName}#{virtualNodeIndex}");
            virtualNodeIndex++;
        }
        //从索引为0的位置循环一遍，把所有的虚拟节点都删除
        int startFindIndex = 0;
        lock (objLock)
        {
            while (startFindIndex < nodes.Length)
            {
                if (nodes[startFindIndex] != null && lstRemoveNodeName.Contains(nodes[startFindIndex].VirtualNodeName))
                {
                    nodes[startFindIndex] = null;
                }
                startFindIndex++;
            }
        }

    }

    //哈希环获取哈希值的方法，因为系统自带的gethashcode，重启服务就变了
    protected virtual int GetKeyHashCode(string key)
    {
        var sh = new SHA1Managed();
        byte[] data = sh.ComputeHash(Encoding.Unicode.GetBytes(key));
        return BitConverter.ToInt32(data, 0);

    }

    #region 私有方法
    //从虚拟环的某个位置查找第一个node
    private VirtualNode FindNodeFromIndex(int startIndex)
    {
        if (nodes == null || nodes.Length <= 0)
        {
            return null;
        }
        VirtualNode node = null;
        while (node == null)
        {
            startIndex = GetNextIndex(startIndex);
            node = nodes[startIndex];
        }
        return node;
    }
    //从虚拟环的某个位置开始查找空位置
    private int FindEmptyNodeFromIndex(int startIndex)
    {

        while (true)
        {
            if (nodes[startIndex] == null)
            {
                return startIndex;
            }
            var nextIndex = GetNextIndex(startIndex);
            //如果索引回到原地，说明找了一圈，虚拟环节点已经满了，不会添加
            if (nextIndex == startIndex)
            {
                return -1;
            }
            startIndex = nextIndex;
        }
    }
    //获取一个位置的下一个位置索引
    private int GetNextIndex(int preIndex)
    {
        int nextIndex = 0;
        //如果查找的位置到了环的末尾，则从0位置开始查找
        if (preIndex != nodes.Length - 1)
        {
            nextIndex = preIndex + 1;
        }
        return nextIndex;
    }
    #endregion
}

#### 测试生成的节点
        ConsistentHash h = new ConsistentHash(200, 5);
        h.AddNode(new Server() { IP = "192.168.1.1" });
        h.AddNode(new Server() { IP = "192.168.1.2" });
        h.AddNode(new Server() { IP = "192.168.1.3" });
        h.AddNode(new Server() { IP = "192.168.1.4" });
        h.AddNode(new Server() { IP = "192.168.1.5" });

        for (int i = 0; i < h.nodes.Length; i++)
        {
            if (h.nodes[i] != null)
            {
                Console.WriteLine($"{i}===={h.nodes[i].VirtualNodeName}");
            }
        }
输出结果(还算比较均匀)：

2====192.168.1.3#4
10====192.168.1.1#0
15====192.168.1.3#3
24====192.168.1.2#2
29====192.168.1.3#2
33====192.168.1.4#4
64====192.168.1.5#1
73====192.168.1.4#3
75====192.168.1.2#0
77====192.168.1.1#3
85====192.168.1.1#4
88====192.168.1.5#4
117====192.168.1.4#1
118====192.168.1.2#4
137====192.168.1.1#1
152====192.168.1.2#1
157====192.168.1.5#2
158====192.168.1.2#3
159====192.168.1.3#0
162====192.168.1.5#0
165====192.168.1.1#2
166====192.168.1.3#1
177====192.168.1.5#3
185====192.168.1.4#0
196====192.168.1.4#2























#### 测试一下性能
        Stopwatch w = new Stopwatch();
        w.Start();
        for (int i = 0; i < 100000; i++)
        {
            var aaa = h.GetNode("test1");
        }
        w.Stop();
        Console.WriteLine(w.ElapsedMilliseconds);
输出结果（调用10万次耗时657毫秒）：

657



#### 写在最后
以上代码实有优化空间
1. 哈希函数
2. 很多for循环的临时变量
有兴趣优化的同学可以留言哦!!

>**更多精彩文章**
>- [分布式大并发系列](https://mp.weixin.qq.com/mp/appmsgalbum?action=getalbum&album_id=1342955119549267969&__biz=MzIwNTc3OTAxOA==#wechat_redirect)
>- [架构设计系列](https://mp.weixin.qq.com/mp/appmsgalbum?action=getalbum&album_id=1342959003139227648&__biz=MzIwNTc3OTAxOA==#wechat_redirect)
>- [趣学算法和数据结构系列](https://mp.weixin.qq.com/mp/appmsgalbum?action=getalbum&album_id=1342962375443529728&__biz=MzIwNTc3OTAxOA==#wechat_redirect)
>- [设计模式系列](https://mp.weixin.qq.com/mp/appmsgalbum?action=getalbum&album_id=1342964237798391808&__biz=MzIwNTc3OTAxOA==#wechat_redirect)

![image](https://bdn.135editor.com/files/users/553/5534532/202008/aC7hKv6p_rcqW.png)
标签
carp
易学教程内所有资源均来自网络或用户发布的内容，如有违反法律规定的内容欢迎反馈！
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!