一致性哈希最早是1997年在麻省理工大学提出的一种解决热点问题的算法。后来在分布式环境被广泛使用。
试想如果我们的服务产生大量数据，这些数据的存取如果只是单台服务器，那么肯定会出现一定的性能瓶颈，所以我们需要多台数据库来支撑业务。
而在分布式的环境中，数据的分布需要解决以下几个问题：
- 数据服务器发生故障的时候，整体不会受到影响
- 服务器扩容时，
- 数据分布不均匀
而一致性哈希很好地解决了这些问题，它的核心思想是设置一个2^32次方个空间的环形空间，然后分成几个区域，数据哈希值所在的指定区域就会决定数据的落地位置（也就是落到哪一台服务器上面）。
这里假设我们有三台服务器：
- Server A
- Server B
- Server C
将机器通过特定的Hash函数算出对应的key值，然后将这些标记值散列在这个环形空间上。
这个时候将一个数据（Data）对象使用同样的Hash函数算出对应的key值，并将这些值也标记在环形空间上。按顺时针方向去找最近的服务器对应key标记，这台服务器就是这个数据对象要落地的位置了。
比如这个数据最终会落到Server C上面去，每次读取数据也通过同样的方式来寻找图片的位置。
在以上的例子中。假设出现三个数据：
- Data1
- Data2
- Data3
Data1存在Server A上，Data2存在Server B上，Data3存在Server C上。
而Server A宕机了，那么这个时候可能无法查询到数据Data1了。但是并不妨碍数据Data2和Data3的查询。
如果这个时候出现了Server D,Data3通过上面的方式，就会查询到Server D上，而这台新的服务器上并没有数据。我们可以改进一下，如果当前的位置查不到数据，可以顺延去下一个节点(也就是Server C)上查找数据。
光光以上这样还不够，如果每台服务器仅有一个节点，数据很容易堆积到一台服务器上。
这个时候可以通过添加虚拟节点来解决这个问题，我们将一台服务器做出多个映射值。这样可以在环形上，让服务器分布地更加均匀一些。
通过一致性哈希算法，数据很好地被存到的不同的机器上，分摊了单机服务器的压力。
