一致性哈希算法的容易实现和在redis集群的应用

一致性哈希算法的简单实现和在redis集群的应用

    项目中需要搭建一个简单的redis集群，用来存储系统中的特征值，利用到一致性哈希算法，简介可以看一致性哈希算法，本文简单实现了一致性哈希的算法，主要阐述一下应用场景和一些感想。

#include"ConsistentHash.h"#include"city.h"#include<iostream>#include<algorithm>#include<vector>using namespace std;ConsistentHash::ConsistentHash(){}ConsistentHash::~ConsistentHash(){}/* * cachedNodeNum:cache节点的数量 * virtualNodeNum:虚拟节点的个数 * 根据cache节点数量和虚拟节点个数生成环 */ConsistentHash::ConsistentHash(int cachedNodeNum, int virtualNodeNum){ this->cachedNodeNum = cachedNodeNum; this->virtualNodeNum = virtualNodeNum; for(int i = 0; i < cachedNodeNum; ++i) { for(int j = 0; j < virtualNodeNum; ++j) {string hashStr = ""; uint64 hashInt = 0;//可以根据节点信息计算hash值 getVirtualNodeForString(i, j, hashStr);//利用Google的CityHash算法计算hash值 hashInt = CityHash64(hashStr.c_str(), hashStr.size()); vHashValues.push_back(hashInt); mVirtualNodeMap[hashInt] = make_pair(i, j); } } sort(vHashValues.begin(), vHashValues.end());}/* * key:要存储的字符串 * 获取该字符串要存储的cache节点id */intConsistentHash::getCachedNodeId(string key){ vector<uint64_t>::iterator low; uint64_t hashInt = CityHash64(key.c_str(), key.size()); low = lower_bound(vHashValues.begin(), vHashValues.end(), hashInt); uint64_t nextHash; if(low == vHashValues.end()) { nextHash = vHashValues[0];} else { nextHash = vHashValues[low - vHashValues.begin()]; } return mVirtualNodeMap[nextHash].first;}intConsistentHash::getCachedNodeId(uint64_t key){ vector<uint64_t>::iterator low; uint64_t hashInt = key; low = lower_bound(vHashValues.begin(), vHashValues.end(), hashInt); uint64_t nextHash; if(low == vHashValues.end()) { nextHash = vHashValues[0];} else { nextHash = vHashValues[low - vHashValues.begin()]; } return mVirtualNodeMap[nextHash].first;}voidConsistentHash::getVirtualNodeForString(int cachedNodeNum, int virtualNodeNum, string &virtualNodeString){ virtualNodeString = ("node:" + cachedNodeNum); virtualNodeString += ":vnode:"; virtualNodeString = virtualNodeString + ("" + virtualNodeNum);}以上代码比较简单的实现了一致性哈希的算法。算法对来自客户端的请求进行分发，实现数据的存储和读取。redis也提供了相关的备份机制，但是是以牺牲了一部分的性能为代价的，结合我们的应用场景，并没有采用相关的备份机制，即使redis挂了，将模型重新计算和相关的特征值存入就可以了，因为特征值丢失的代价是我们可以承受的，而且模型更新的间隔比较短，所以就没有采用相关的备份机制，后续我们加入了双写的功能，即一份数据存储到不同的两个节点上，只需要在原有代码基础上稍加改动就行了，这样即使一个redis挂了，可以到另一个节点读取数据。

查看更多 下一篇