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
- 尽量提高缓存的命中率（转移的数据最少）
- 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:
- 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。
- 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。
- 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
当增加新的服务器的时候会发生什么情况呢？
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：
但是现实往往是这样：
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。
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#410====192.168.1.1#015====192.168.1.3#324====192.168.1.2#229====192.168.1.3#233====192.168.1.4#464====192.168.1.5#173====192.168.1.4#375====192.168.1.2#077====192.168.1.1#385====192.168.1.1#488====192.168.1.5#4117====192.168.1.4#1118====192.168.1.2#4137====192.168.1.1#1152====192.168.1.2#1157====192.168.1.5#2158====192.168.1.2#3159====192.168.1.3#0162====192.168.1.5#0165====192.168.1.1#2166====192.168.1.3#1177====192.168.1.5#3185====192.168.1.4#0196====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
- 哈希函数
- 很多for循环的临时变量
有兴趣优化的同学可以留言哦!!
添加关注，查看更精美版本，收获更多精彩