数据分区设计(3)-根据键的Hash分区

由于数据倾斜和热点问题，许多分布式系统采用基于K散列函数来分区。

好的散列函数可处理倾斜数据并使其均匀分布。

数据分区目的的hash函数无需健壮的加密能力，如Cassandra 和 MongoDB 使用 MD5。许多编程语言也有内置的简单哈希函数（主要用于哈希表），但可能不适合分区：如Java 的 Object.hashCode()，同一K可能在不同进程中有不同哈希值。

确定合适的hash函数后，就能为每个分区分配一个hash范围（而不是直接就是K的范围），每个K通过hash散列落在不同分区，如图-3：

这种方案擅长在分区之间均匀分配K。分区边界可以是均匀间隔，也可以是伪随机选择（也称为一致性哈希）。

一致性哈希

一种平均分配自己负载的方法，最初用于内容分发网络（CDN）等互联网缓存系统。 采用随机选择的分区边界来规避中央控制或分布式共识。此处的一致性与副本一致性或ACID一致性无任何关联 ，它只描述了数据动态平衡的一种方法。

正如“分区再平衡” 中所见，这种特殊分区方法对于DB实际上效果并非很好，所以目前很少使用（虽然某些DB的文档仍会使用一致性哈希说法，但其实不准确）。 因为有可能产生混淆，所以最好避免使用一致性哈希这个术语，而只是把它称为 散列分区（hash partitioning） 。

但通过hash分区，失去高效的执行范围查询的能力：即使相邻的K，经过hash后也会分散在不同分区。MongoDB中，若使用hash分区，则范围查询都必须发送到所有分区。而Couchbase或Voldemort干脆直接不支持K的范围查询。

Cassandra在两种分区策略之间采取折中。 Cassandra的表可使用由多个列组成的复合主键。键中只有第一部分可用于 hash 分区，而其他列则被用作 Casssandra 的 SSTables 中排序数据的联合索引。尽管不支持复合主键的第一列的范围查询，但若第一列已指定固定值，则可对其他列执行高效的范围查询。

联合索引为一对多关系提供一个优雅的数据模型。如社交网站，一个用户可能发布很多消息更新。若更新的K被设置为 (user_id,update_timestamp)，则能高效检索某用户在某时间段内，按时间戳排序的所有更新。不同用户可存储在不同分区，但对某一用户，消息会按时间戳顺序存储在同一分区。