前言（为什么想读这一篇论文）
这一篇论文吸引我注意的原因是，Consistent Hashing本来的特性就是作为分布式缓存之用。谷歌将他们的负载均衡器（代号：Maglev）发布他的实作方式，里面将一致的哈希并做了一些小改版来符合他们的需求。
此前我一直在进一步学习，因为谷歌很好地利用了它的能力，因此更有效地提高了它的能力。就想要阅读这一篇论文。
本篇导读主要内容如下：
- 介绍 Maglev 的特性和改进的部分
- 回顾一致哈希
- 介绍磁悬浮哈希
原始论文
Maglev：快速可靠的软件网络负载均衡器
导读
什么是磁悬浮？
Maglev 是 Google 的软体 Load Balancer ，是一般硬体的 Load Balancer ，他可以在一般的 Linux 机器上面运行。Maglev 在 Google 内部已经运行了超过六年（从 2008 年开始）。一个 Maglev 可以处理 10Gbps 的小封包链接。
磁悬浮主要的功能与特色
Maglev 作为 Google 内部的高效能体软负载均衡器，他有以下两个主要功能：
- 新的一致性哈希算法称为磁悬浮哈希
- 连接跟踪
回过头来，那什么是 Consistent Hashing ？
讲到 Consistent Hashing 就必须提到原本分布式缓存的准许靠是 Hash Table 的方式来结果，如：
- 来源ip：
1.2.3.4通过将来源ip做散列之后指向server1 - 来源ip：
1.2.3.5通过将来源ip做散列之后指向server2 - 来源ip：
1.2.4.6通过将来源ip做散列之后指向server3
如果你能确定如果server1发生故障，那么1.2.3.4就无法连接到任何服务器。
Consistent Hashing 就是在这里发挥效果。根据定义的Consistent Hashing 为一个示例的以下表格的表格，根据Hashing 的表格需要不同的条件来满足不同的节点信息，并且满足两个条件
- Minimal Disruption：如果有被修改的部分，应该只需要到达该部分影响的部分就可以了。在 Consistent Hashing 里面有下面一个的方式．贯穿整个索引示例后，直接指定下一个节点作为哈希后的结果节点。简单的示例如下：
- 来源 IP 位置
1.2.3.4，经过哈希处理后得到的位置 1024（假设） - 到表格 1024 查询资料，发现 1024 的节点
server1服务器已经出现故障． - 寻找1024个最接近的下一个偏差（假设是1028个）并且到了
server2 - 分配
server2
- 来源 IP 位置
- 负载平衡也有可能会过地地让其他任何人都使用到，不会有某种程度的应用的疑虑。在 Consistent Hashing 里面是使用 Virtual Node ．
- 简单的说，也就是在加入节点的时候，会一并复制多个虚拟节点（通常使用
節點#1, 節點#2 ...修饰方式． - 透过多个虚拟节点散布在各处，让寻找的时间更变的分布到不同的节点。
- 简单的说，也就是在加入节点的时候，会一并复制多个虚拟节点（通常使用
对于 Maglev 而言，原本的 Consistent Hashing 有什么缺点（限制）？
Hashing 本身已经解决了许多问题，但是 Google 确实需要考虑以下几个额外的问题：
- 需要更均匀地配置每个节点位置：由于谷歌的每个节点都可能是一个可能的台机，因此，根据不同的演播信息，需要很大的查找表。
- 需要更减少干扰：针对谷歌的需求，演算法需要小量的干扰．
关于磁悬浮哈希算法的介绍
可知需要额外考量（应该说是要强化）的更多部分，Google 提出了新的 Consistent Hashing 的演算法，称为Maglev Hashing Algorithm
主要概念：新增偏好列表概念
偏好列表（每一个偏好列表） 会分配给一个节点，让自己的位置上去（Permutation）。直到整个表格是完整的。
功效：
这里需要注意，如果米米相当接近ññ的话，功效很容易落入最差的状况。
如果但是米> >无米>>ñ，比较容易实现入户的情况。
- 平均状况：O (米l奥克米_ _)○(米l○G米)
- 最差情况：Ø (米2)○(米2)
其中：
- 米米是表示查找表的大小．
- ññ是表示节点的个数．
流程：
- 首先 Maglev Hashing 会先把所有的 Preference List 产生出来。
- 通过并产生好的偏好列表开始将节点一个个地加入产生出的查找表
程序码分析：
计算“排列表格”排列表
下面首先简单排列generatePopulation()，主要目的是建立一个组合表的表格。
//name is the list of backend.
func generatePopulation() {
//如果 []name 是空的就離開
if len(name) == 0 {
return
}
for i := 0; i < len(name); i++ {
bData := []byte(name[i])
//計算 offset 透過 Hash K1
offset := siphash.Hash(0xdeadbabe, 0, bData) % M
//計算 skip 透過 Hash K2
skip := (siphash.Hash(0xdeadbeef, 0, bData) % (M - 1)) + 1
iRow := make([]uint64, M)
var j uint64
for j = 0; j < m.m; j++ {
//排列組合的表格
iRow[j] = (offset + uint64(j)*skip) % M
}
permutation = append(permutation, iRow)
}
}
必须M是一个素数（如果不给素数，它的排列就必须有重复值），M=7这个典型的式可能[3, 2, 5, 6, 0, 4, 1]会产生[0, 5, 6, 4, 2, 3, 1]。的排列形式是为之后使用的。
产生查表(查阅表)
论文中的 Populate Maglev Hashing 查找表的 Golang 程序。
这边有两个表格：
entry: 代表表格里面没有走过。架设查找表大小为7，就得0~6 都走了一次。（索引为-1）．而最后的分数就是节点的next: 代表排列表格的下一个位置，如果有三个，那么有三个表格。这样next大小也有三个分别排列的记录，每一个表格排列成第几个位置。
翻译资料
unc (m *Maglev) populate() {
if len(m.nodeList) == 0 {
return
}
var i, j uint64
next := make([]uint64, m.n)
entry := make([]int64, m.m)
for j = 0; j < m.m; j++ {
entry[j] = -1
}
var n uint64
for { //true
for i = 0; i < m.n; i++ {
c := m.permutation[i][next[i]]
for entry[c] >= 0 {
next[i] = next[i] + 1
c = m.permutation[i][next[i]]
}
entry[c] = int64(i)
next[i] = next[i] + 1
n++
if n == m.m {
m.lookup = entry
return
}
}
}
}
下面用简单的翻译资料，希望能够让大家更容易了解。
N = 3
M = 5
m.permutation [0] = [4, 3, 2, 1, 0]
m.permutation [1] = [3, 2, 1, 0, 4]
m.permutation [2] = [0, 1, 2, 3, 4]
通过这个实例，建立出查找表的方式如下：
- 将刚刚建立出的排列形式来
i=0，从第一个排列表格的第一个挑出分数c1=4，那么entry[4] = 0（代表查找表中entry[4]指向节点0。i=1，从第二个排列表格的第一个挑出分数c2=3，那么entry[3] = 1i=2，从第三个排列表个的第一个挑出分数c3=0，那么entry[0] = 2- 重
i跑回圈，i=0．）挑出一个（索引=走过第二个c4=3，entry[3]往后第一个next[0] +1）m.permutation[0][2]=2entry[2]=0 - 依此类推所有的
n == M。此时，也发现entry[]不再存在任何-1
详细走法如下图：
Maglev Hashing 跟 Consistent Hashing 的比较
推荐部分研究的那部分，应该属于我比较看重的。
- 一致的哈希
- 准备工作：
- 将每个节点的分数根据散列键查找表
- 制作出虚拟节点来达到平衡．
- 如何查询：
- 将分数贯穿 Hash Key 到一个查找表索引
- 如果该索引没有节点，往下寻找最接近的节点
- 准备工作：
- 磁悬浮哈希
- 准备工作：
- 需要先建立一个排列表格
- 请并请先通过排列表格排列一个排序偏好清单。
- 如何查询：
- 索引的索引 Hash Key 到一个查找表
- 准备工作，该指数持续存在
- 传回节点资料
- 准备工作：
完整的程序码
这里有我的完整程序码，大家可以参考一下：