一致性Hash算法
取模有两个主要的缺点
散列不均匀
增加节点、删除节点后节点需要rehash
为了解决上述两个主要问题，引入了一致性Hash算法。
解决散列不均匀
首先，将0到 2^32 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。假设有两个数据节点Node1和Node2，将它们通过一个特定的hash算法，肯定得到两个整数，恰好落在这个圆的某个点上，如图所示：
现有一批数据，通过特定的算法，也会落在这个圆上，规定数据存在顺时针最近的节点上，如图：
这样看起来有明显的数据倾斜问题，为了解决数据倾斜问题，则引入了虚拟节点，所谓的虚拟节点就是某个实际几点的一个映射几点，因为Node2存储的数据比较少，则虚拟出一个Node2的虚拟节点Node2-V1，将这个节点取模后的数字正好落在我们认为合适的位置，那么有些数据就会被分配到了虚拟节点上，比如下面的图：
当查询或插入数据到Node2-V1节点的时候，实际上是插入到了真实节点Node2上，这样数据就被均匀的分布到了两个节点上。
解决rehash
如果按照原来取模的方式，当新增或者删除一个数据节点的时候，取模算法就有个极大的弊端，就是需要将所有数据rehash，数据迁移量比较大，如果采用一致性hash算法，极大的减少了数据迁移的量级。假设新增了一个节点Node3，数据图如下：
从图上可以看出，需要进行数据迁移的只有Node2和Node3中间的两个数据而已。
