一致性哈希算法是分布式系统中常用的算法。 例如，在一个分布式存储系统中，为了将数据存储在特定节点上，使用普通的hash方法将数据映射到特定节点。 例如，key%N，key是数据的key，n是计算机节点数，如果有一台计算机加入或退出此群集，则所有数据映射都将被禁用。 对于持久化存储，执行数据迁移；对于分布式缓存，执行其他缓存
因此，引入了一致性哈希算法：
使用hash函数(例如MD5 )将数据映射到如图所示的大空间。 的数据保存时，首先得到哈希值，对应于环中的每个位置。 例如，k1对应于图中的位置，顺时针找到机器节点b，将k1保存在名为b的节点中。
如果B节点断开，B上的数据将落入C节点，如下图所示。
这样，只影响c节点，而不影响其它节点a、d的数据。 但是，这也会导致“雪崩”，因为c节点承担着b节点的数据，c节点的负荷变大，c节点也容易停机，这样下去整个集群就会挂起。
为此，引入了“虚拟节点”的概念。 也就是说，想象这个环上有很多“虚拟节点”。 数据存储在环中顺时针查找虚拟节点，每个虚拟节点与实际节点相关联。 在下图中使用。
图中的A1、A2、B1、B2、C1、C2、D1、D2都是虚拟节点，机器a加载并保存A1、A2的数据，机器b加载并保存B1、B2的数据，机器c加载并保存C1、C2的数据。 由于这些虚拟节点数量多且分布均匀，所以不会发生“雪崩”现象。
Java实现：
publicclassShard{//S类封装了机器节点的信息，如name、password、ip和port
privateTreeMapnodes； //虚拟节点
privateListshards； //实际机器节点
privatefinalintNODE_NUM=100； //每个计算机节点相关的虚拟节点数
公共硬件(list shards ) {
super (；
this.shards=shards；
init (；
}
privatevoidinit ()//初始化一致的哈希
nodes=newTreeMap (；
for(inti=0； I！=shards.size (； I )//每个实际计算机节点必须与一个虚拟节点相关联
finalsshardinfo=Shards.get(I；
for(intn=0； n
//将NODE_NUM个虚拟节点与一个实际的机器节点相关联
nodes.put(hash )、shard-'I'-node-'n )、shardInfo )；
}
}
publicsgetshardinfo(stringkey ) {
sortedmaptail=nodes.tail map (hash (key ) )； //顺时针找到虚拟节点
if(tail.size ()==0) {
returnnodes.get(nodes.firstkey )；
}
returntail.get(tail.firstkey )； //返回与该虚拟节点对应实际机器节点的信息
}
//*
*MurMurHash算法是一种非加密HASH算法，性能高。
*与传统的CRC32、MD5和SHA-1相比((这两种算法都是加密散列算法，复杂性本身较高，性能下降也是不可避免的) ) ) ) )。
据说等待HASH算法要快得多，而且这个算法的冲突率很低。
* http://murmur hash.Google pages.com /
*/
privatelonghash(stringkey ) {
bytebufferbuf=byte buffer.wrap (key.getbytes () )；
intseed=0x1234ABCD；
ByteOrderbyteOrder=buf.order (；
buf.order (byteorder.little _ endian )；
longm=0xc6a4a7935bd1e995L；
intr=47；
Longh=seed^(buf.remaining () *m )；
长；
while(buf.remaining () )=8) {
k=buf.getLong (；
k*=m；
k^=kr；
k*=m；
h^=k；
h*=m；
}
if(buf.remaining) ) ) )。
bytebufferfinish=byte buffer.allocate (8).order (
ByteOrder.LITTLE_ENDIAN；
//forbig-endianversion，dothisfirst:
//finish.position (8- buf.remaining ) )；
finish.put(buf ).rewind )；
h^=finish.getLong (；
h*=m；
}
h^=hr；
h*=m；
h^=hr；
BUF.order(byteorder )；
返回；
}
}