##分布式存储上的APP应用
分布式存储系统使用dxlc算法将数据分布在多个节点上。 如果将初始节点数设为n，则在以往的向n模式的映射方法中，在节点被追加删除时，也就是n值变化时，需要重新映射dxlc表整体Hash Table，存在需要在节点间移动大部分数据的问题
因此，目前常用的是一种称为一致性散列(dxlc )的算法。 术语“一致性”是定语的意思是，当增加和删除节点时，它只影响一个或两个变化的节点，并且散列表的其他部分与原始的一致。 这在一定程度上可以理解为连贯性dxlc算法的dxlc函数与节点数n无关。
其他地方在绘制一致的dxlc时，会选择圆环进行说明，但我个人觉得dxlc表更直观：
上图的左右分别表示增加一个“节点5”前后的dxlc表，dxlc函数使用了md5。 md5根据key值汇总128位dxlc值(校验和)，通常表示为32位十六进制数字。 这里，取dxlc值的第一位的范围将key映射到不同的节点，但是分割“节点4”的md5的第一位的范围后，将“节点4”的原始数据的约一半移动到“节点5”即可，其他三个节点受到影响
##负荷分散的改善
但是，这里还有改善的余地。
问题是，上面提到的“节点4”的一半数据必须携带到“节点5”，这种压力会很大。 1.5TB * 1024GB/TB * 1024MB/GB )/(122.5 TB * 1024 GB/TB * 1024 MB/GB )，表示节点间的网络为千兆网络(但在运输过程中只接受25%的负载) 另一方面，“节点5”直接分担了“节点4”的数据的一半，但如果原本4个节点的负载均衡(md5本身是非常均匀的dxlc函数)，则现在变得不均衡。
这两个问题有共同的解决方法。 新的“节点5”不仅从“节点4”携带数据，还从所有其他节点(或子集)携带数据，以保持dxlc的完整性。
这个构思的实现方法之一是使用虚拟节点(virtual nodes )。 上面的md5 dxlc表实际上可以分为两个阶段。
在md5中将key dxlc设置为32位十六进制dxlc值
将此dxlc值映射到物理节点
如果使用虚拟节点，则第一个段保持不变，但在第二个段将dxlc值映射到物理节点的过程中，插入另一个虚拟节点中间件，然后按如下方式修改流程：
在md5中将key dxlc设置为32位十六进制dxlc值
将此dxlc值映射到虚拟节点
将此虚拟节点映射到物理节点
新dxlc表的重要之处在于，虚拟节点的数量远远多于物理节点的数量。 通常将虚拟节点的数量设定为“尽可能多”。 这样，新dxlc表的前两行便是固定的，如果要添加或删除物理节点，只需重新分配虚拟节点即可。
在上图中，md5值开始处的16个虚拟节点被拆分为4个物理节点。 (在实际的APP应用中，即使当前只有10个物理节点，md5的前三位也可以划分4096个虚拟节点。 )添加物理“节点5”时，从节点1、2、3开始分别将虚拟节点放入“节点5”中。 在此过程中，“节点5”可以使用100%的网络带宽接收数据。 新的dxlc表也实现了负载均衡。 当然一致性也有保证。
我看到国内有人把这种使用虚拟节点的一致性dxlc算法称为distributedconsistenthashing (distributedconsistenthashing )，这种算法叫做“分布式” 因为，这种改进只与算法的实现有关，无论dxlc进程发生在哪里，谷歌都找不到这种称呼。 所以，一般称为改进的一致性dxlc(improvedconsistenthashing )。 或者，使用虚拟节点一致的dxlc。