一致性哈希 on PlumePHP

分布式缓存深度策略：Redis Cluster、一致性哈希与多级缓存架构

Tue, 01 Sep 2026 10:00:00 +0800

在现代分布式系统中，缓存已成为降低数据库负载、提升响应速度的核心基础设施。Redis 作为事实标准的内存数据库，其 Cluster 模式提供了自动分片与高可用能力；然而，真正在生产环境中驾驭分布式缓存，远不止部署一个 Redis Cluster 那么简单——从数据分片的一致性哈希选址，到缓存穿透、击穿、雪崩的三重灾备方案，再到 Caffeine + Redis 的多级缓存架构与 Hot Key 治理，每一层都需要系统设计级别的深度思考。

缓存架构演进之路：从单机 Redis 到亿级分布式多级缓存体系

Sun, 16 Aug 2026 15:00:00 +0800

缓存是构建高性能 Web 系统的核心基础设施。从早期工程师在单机内存里放一个 HashMap 临时存数据，到今天支撑亿万 QPS 的分布式多级缓存体系，缓存架构经历了一场深刻的技术演进。理解这一演进过程，不仅有助于我们在不同业务阶段做出合理的架构选型，更能帮助我们在面对电商大促、社交热点等高并发场景时从容应对。本文将系统梳理缓存架构从单体到分布式的完整演进路径，并深入探讨热点 Key 治理、一致性哈希、缓存预热及成本优化等生产实践议题。

05. 一致性哈希与数据分片

Thu, 13 Aug 2026 14:05:00 +0800

分布式系统处理海量数据时，必须通过分片 (Sharding) 将数据分散到多个节点。一致性哈希解决了传统 Hash 取模在节点增减时的大量数据迁移问题。

1. 传统 Hash 分片的问题

传统方式: node = hash(key) % N

N=3 时:
 hash(key) % 3 = 0 → Node0
 hash(key) % 3 = 1 → Node1
 hash(key) % 3 = 2 → Node2

新增 Node3 (N=4):
 原来 75% 的数据需要重新映射！
 hash(key) % 4 和 hash(key) % 3 结果不同的概率 = 3/4

问题：节点数量变化时，几乎所有数据都需要迁移，成本极高。