前言
上一节我们讲了哈希算法的四个应用，分别是安全加密、数据校验、唯一标识、散列函数。今天再来看看剩下的三个应用：负载均衡、数据分片、分布式存储。
可能大家已经发现了，这三个应用都是与分布式相关的。没错，今天我们来学习一下，哈希算法是如何解决这些分布式问题的。
应用五：负载均衡
负载均衡算法有很多，比如轮询、随机、加权轮询等。那如何实现一个会话粘滞（session sticky）的负载均衡算法呢？也就是说，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。
可以通过哈希算法，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运算，最终得到的值就是应该被路由到的服务器编号。这样就可以把同一个IP过来的所有请求，都路由到同一个后端服务器上。
应用六：数据分片
哈希算法还可以用于数据的分片，下面举两个例子：
1.如何统计“搜索关键词”出现的次数？
可以先对数据进行分片，然后采用多台机器自理的方法，来提高处理速度。
具体的思路：为了提高处理的速度，我们用n台机器并行处理。我们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。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，这个处理过程也是MapReduce的基本设计思想。
2.如何快速判断图片是否在图库中？
假设现在我们的图库中有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。
同样可以对数据进行分片，然后采用多机处理。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。
实际上，针对这种海量数据的处理问题，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。
应用七：分布式存储
借助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，这个最终值就是数据存储的缓存机器编号。
但是，当数据增多了，原来10个机器已经无法承受了，那就需要扩容了，比如扩到11台机器，这时候麻烦就来了。
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的机器上。但新增加了一台机器，就对11取模，原来13就被分配到2号机器上了。
因此，所有数据都要重新计算哈希值，然后重新搬移到正确的机器上。相当于缓存数据一下子就失效了。所有的数据请求都会穿透缓存，直接请求数据库，这样就可能发生雪崩效应，压垮数据库。
这时候就需要一种方法，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。
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，就将某几个小区间的民，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。
实际上，一致性哈希算法的应用非常广泛，在很多分布式存储系统中，都可以见到一致性哈希算法的影子。
