什么是 常规的 hash算法？
以分布式缓存为例，假设现在有3台缓存服务器(S0，S1，S2)，要将一些 文件 尽可能平均地分配到不同的服务器上，hash算法的做法是：
(1) 以 文件 的名称作为key，然后对其做hash运算。
(2) 将hash值对服务器数量进行求余，得到服务器编号，最后存入即可。
举个demo：
1111.txt 需要存入， 我们就得到hash(csdn.jpg) = 5
-------> 5%3 = 2 得到数据存入S2
上面的算法
好像可以把文件均衡地分配到不同的服务器，当获取数据的时候也可以根据同样的思路访问对应的服务器，避免全局扫描。
但这个时候服务器进行了扩容，加入了S4，我们还能否正常获取数据呢？
假设还是根据同样的思路获取1111.txt，我们就会得到 hash(csdn.jpg)%4 = 1。
我们去S1是无法获取数据的，
这个时候就有可能会引发缓存的血崩，大量的请求落到数据库上。
一致性Hash算法对于节点的增减都只需要 重定位 环空间中的一小部分数据，具有较好的容错性和可扩展性。
一致性Hash算法也是使用取模的方法，只是，刚才描述的取模法是对服务器的数量进行取模，而一致性Hash算法是对2^32取模，什么意思呢？
简单来说，一致性Hash算法将整个哈希值空间组织成一个虚拟的圆环，如假设某哈希函数H的值空间为0-2^32-1（即哈希值是一个32位无符号整形）
同样以1111.txt 为例，我们照样算出 hash(csdn.jpg)%2^32 的值，然后映射到hash环上，然后以该点出发，顺时针遇到的第一个服务器，即为数据即将存储的服务器。
虽然增加了节点D后，1111.txt 的缓存失效了，
但是，分布在 A-B，B-C 以及 D-A上面的数据仍然有效，
失效的只是C-D段的数据(原来的数据存在A节点，但是此时顺时针获取的服务器是D)。
这样就保证了缓存数据不会像hash算法那样大面积失效，同样起到减轻数据库压力的效果。
,
