一致性hash算法
前置场景
在没有一致性hash算法之前，我们会遇到这种场景，假如现在有三张图片，要均匀的存放在三台缓存服务器上去，那么我们会以图片名为key进行hash运算，再对结果取余。也就是hash（图片名称）% N n就是服务器台数。
出现的问题
问题1：当缓存服务器数量发生变化时，会引起缓存的雪崩，可能会引起整体系统压力过大而崩溃（大量缓存同一时间失效）。
问题2：当缓存服务器数量发生变化时，几乎所有缓存的位置都会发生改变，怎样才能尽量减少受影响的缓存呢？
一致性hash算法
一致性哈希算法也是使用取模的方法，只是，刚才描述的取模法是对服务器的数量进行取模，而一致性哈希算法是对2^32取模。
把二的三十二次方想象成一个圆，就像钟表一样，钟表的圆可以理解成由60个点组成的圆，而此处我们把这个圆想象成由2^32个点组成的圆，这个圆我们也叫hash环
现在的步骤变为：
1.hash（服务器A的IP地址） % 2^32找到服务器A在环上的位置，b/c同理
2. 仍然使用图片的名称作为找到图片的key，通过hash（图片名称） % 2^32把图片也映射到环上，则从环上图片位置出发，顺时针遇到的第一台服务器就是该图片被存放的服务器。
优点
假如b服务器挂了，那么就只会变动3号图片的位置，其余不会动。这样就能保证高可用。
hash环的偏斜
即服务器分布不均匀。大部分图片被缓存到同一台服务器
解决：虚拟节点
既然因为数量不多导致不均匀，就添加虚拟节点让它尽量均匀。
将现有的物理节点通过虚拟的方法复制出来，这些由实际节点虚拟复制而来的节点被称为”虚拟节点”。加入虚拟节点以后的hash环如下。
“虚拟节点”是”实际节点”（实际的物理服务器）在hash环上的复制品,一个实际节点可以对应多个虚拟节点。
就是对每一个服务器节点计算多个哈希值，在每个计算结果位置上，都放置一个虚拟 节点，并将虚拟节点映射到实际节点。10台服务器大概要100-200个虚拟节点
