在说redis中的哈希（准确来说是一致性哈希）问题之前，先来看一个问题：为什么在分布式集群中一致性哈希会得到大量应用？

在一个分布式系统中，要将数据存储到具体某个节点，或者将来自客户端的请求分配到某个服务器节点做负载均衡，如果采用普通的hash取模算法进行映射，即如key.hashCode()%N，key代表数据的key，N是服务器节点数，使用上能达到预期效果。

但是如果此时要下线一个服务器或者上线一个新的服务器，那么原来的映射将全部失效。如果是做分布式存储，则需要做数据迁移；如果是做分布式缓存，则原来的缓存失效，需要让新增或下线的节点生效就需要做rehash，数据较大会比较消耗时间（其实这点对HashMap了解的，很熟悉这一点，HashMap在动态扩容进行rehash，数据量过大时很消耗时间影响性能）。这时，一致性哈希就派上用场了。

下面通过几个问题逐步介绍redis2.X和redis3.X中的一些特性，来了解一致性哈希在redis中的应用，以及遇到的问题，不同版本是如何解决的。

1. 假如有两台redis服务器，jedis客户端要存入数据到这两台服务器，它如何知道要存入哪台服务器？

这个就是开篇所说一般的做法：哈希取模。
key.hashcode() % nums（key是redis中的key，nums是redis服务器数）最终结果范围：0到nums-1

2. 此时新增一台redis服务器，数据能写入到新增的机器上吗？不能。还是对原有redis服务器数进行取模。

那么如何解决这一问题呢？nums不定义为redis服务器具体数，而是一个比较大的值：2^32，从而映射到一个比较大的空间内，拿key.hashcode*()% 2^32-1来确定存入的服务器。最终会形成一个一致性哈希环，沿着这个环往下找，直至找到。

当然这里key.hashcode*()% 2^32-1只是举个例子，实际生产中我们会采用哈希算法，如MD5、MurMurHash、crc32将数据映射到一个哈希环上。

3. 假如在新增一台redis服务器C前，数据存在节点A。加入C后，客户端在操作的时候，会出现什么问题？

查找数据时，如果通过一致性哈希算法得出数据在C上，但真实数据在A上，客户端在C上查找会找不到数据就会报空指针异常。
这个其实是在redis2.X中的问题，因为redis2.X不支持冬天扩容。这时我们可以考虑找一个合适的时间点如业务峰值低的时候，将环中的所有数据加载出来，灌入到另外一个新增节点后的环中进行处理。

4. redis3.X如何解决redis2.X的上述问题？

通过上面的问题可以得知redis2.X不支持动态加节点，就算成功加入新节点，数据会发生错乱现象，而redis3.X解决了这个问题：

redis集群内置了16384个哈希槽，当需要在集群中插入数据时，先对key使用crc16算法得出一个结果，然后把结果对16384求余数。这样每个key都会对应一个编号在0~16383之间的哈希槽，redis会根据节点数量大致均等的将哈希槽映射到不同节点。

redis集群的每个节点负责一部分哈希槽，这种结构很容易添加或者删除节点，并且无论是添加删除或者修改某一个节点，都不会造成集群不可用的状态。哈希槽的好处在于可以方便的添加或移除节点：

1）当需要增加节点时，只需要把其他节点的某些哈希槽挪到新节点就可以了

2）当需要移除节点时，只需要把移除节点上的哈希槽挪到其他节点就行了

5. redis3.X的hash碰撞问题

通过hash映射，当某台机器上数据过多支撑不住导致宕机，此时它负责的数据会分配到其他机器，而redis集群服务器配置一般相同，其他机器也扛不住，就会造成雪崩，即便有主备也解决不了，最终可能导致整个集群都会挂掉。下图演示了节点C宕机，C上的数据映射到D上的示例：

这其实就是分布式系统中极其常见的问题，数据倾斜。可以考虑通过如下方式解决：

1）如给大量相似数据即key相同，给key加上随机串，将key打散尽可能随机分配，避免数据倾斜
2）参考redis2.X版本中"虚拟节点"的做法，为每个真实节点引入N个虚拟节点。具体看下文

6. redis2.X是如何解决hash碰撞的问题？redis2.X有一个非常重要的概念：虚拟节点，每个节点都虚拟出160个虚拟节点。数据的存储是沿着环的顺时针方向找一个虚拟节点，每个虚拟节点都会关联到一个真实节点。

图中的A1、A2、B1、B2、C1、C2、D1、D2都是虚拟节点，机器A负载A1、A2的数据，机器B负载B1、B2的数据，机器C负载C1、C2的数据。由于这些虚拟节点数量很多，均匀分布，因此不会造成"雪崩"现象。