虚拟主机计费因数 虚拟主机计费因数怎么算

大家好，今天小编关注到一个比较有意思的话题，就是关于虚拟主机计费因数的问题，于是小编就整理了1个相关介绍虚拟主机计费因数的解答，让我们一起看看吧。

JAVA面试又被问一致性hash算法，到底啥是一致性hash？

环割法（一致性 hash）

环割法的原理如下：

1. 初始化的时候生成分片数量 X × 环割数量 N 的固定方式编号的字符串，例如 SHARD-1-NODE-1，并计算所有 X×N 个字符串的所有 hash 值。

2. 将所有计算出来的 hash 值放到一个排序的 Map 中，并将其中的所有元素进行排序。

3. 输入字符串的时候计算输入字符串的 hash 值，查看 hash 值介于哪两个元素之间，取小于 hash 值的那个元素对应的分片为数据的分片。

跳跃法（jumpstringhash）

跳跃法的原理如下：

1. 根据公式：

将数据落在每一个节点的概率进行平均分配。

2. 对于输入的字符串进行计算 hash 值，通过判断每次产生的伪随机值是否小于当前判定的节点 1/x，最终取捕获节点编号最大的作为数据的落点。

其实不光光是Java面试，其它编程语言的面试过程中往往也会问及一致性Hash算法问题，不少开发者可能听说过“一致性Hash”这个术语，但却不了解什么是一致性Hash，一致性Hash是用来解决什么问题的。

不少人容易把“Hash算法”与“一致性Hash算法”混淆，甚至认为两者是同个意思。其实，“Hash算法”与“一致性Hash算法”是不同的概念，“一致性Hash算法”是一种特殊的“Hash算法”！

1、Hash算法

Hash算法有很多种说法，如：散列函数、哈希算法等，它是一种函数，用来把任意长度的内容通过Hash算法转换为固定长度的输出。

常见的Hash算法有：MD5、SHA1等。MD5都用过，任何长度的字符串经过MD5处理后会得到固长的Hash值。

2、一致性Hash算法

一致性Hash算法是在Hash算法基础上建立和改进的，它是一种分布式算法，能确保数据的分布平衡性，常用于负载均衡类的应用。

1、普通取模Hash

普通取模（余数）Hash算法很简单，就是：Hash值 % 节点数 。这种方式，一旦节点数变化了，原先的Hash结果与节点的映射全部失效！

我来给大家讲讲一致性hash算法，如果有理解错误的地方，也请大家留言指正。

就拿Redis来举例吧，我们经常会用Redis做缓存，把一些数据放在上面，以减少数据的压力。

当数据量少，访问压力不大的时候，通常一台Redis就能搞定，为了高可用，弄个主从也就足够了；

当数据量变大，并发量也增加的时候，把全部的缓存数据放在一台机器上就有些吃力了，毕竟一台机器的资源是有限的，通常我们会搭建集群环境，让数据尽量平均的放到每一台Redis中，比如我们的集群中有三台Redis。

那么如何把数据尽量平均地放到这三台Redis中呢？最简单的就是求余算法：hash(key)%N，在这里N=3。

看起来非常地美好，因为依靠这样的方法，我们可以让数据平均存储到三台Redis中，当有新的请求过来的时候，我们也可以定位数据会在哪台Redis中，这样可以精确地查询到缓存数据。

举个应用场景：分布式存储

现在互联网面对的都是海量的数据和海量的用户，我们为了提高数据的读取，写入能力，一般都采用分布式的方式来存储数据，比如分布式缓存。我们有海量的数据需要缓存，所以一台机器是肯定不够的，于是我们需要将数据分布在多台机器上。

该如何决定哪些数据放在那台机器上，可以借助数据分片的思想，采用hash算法对数据取hash值，然后对机器取模，这个最终值就是存储缓存的机器编号。

但是如果数据增多，原来的10台机器不够，需要扩容到13台机器，那么原来数据是通过与10来取模的，比如15这个数据，与10取模就是5，现在与13取模就是2。机器的编号完全变了，扩容并不是简单的增加机器，而是需要重新计算机器上的缓存存储位置。这无疑是一件很头疼的问题。

所以，我们需要一种方法，是的新加入机器后，并不需要做大量的数据搬迁，这时候就需要用到一致性hash算法了。

假设我们有k个机器，数据的hash范围是[0-Max],现在我们将范围划分为m个小区间（m要远大于k）,每个机器负责m/k个区间，当有新机器加入时，我们只需要将某几个小区间的数据搬运到新的机器上即可，这样既不用全部搬移数据，也保持了各个机器的数据均衡。

到此，以上就是小编对于虚拟主机计费因数的问题就介绍到这了，希望介绍关于虚拟主机计费因数的1点解答对大家有用。