Database 试图了解一致性哈希如何在数据库服务器上更好地工作

关于Twitter或Instagram设计 基于UserID的分片：我们可以尝试将用户的所有数据存储在一台服务器上。在存储时，我们可以将用户ID传递给哈希函数，该函数将用户映射到数据库服务器，在那里我们将存储用户的所有推文、收藏夹、关注等。在查询用户的推文/关注/收藏夹时，我们可以问哈希函数在哪里可以找到用户的数据，然后从那里读取数据。这种方法有两个问题：

如果用户变热怎么办？服务器上可能会有很多查询容纳用户。这种高负载将影响我们服务的性能。 随着时间的推移，与其他用户相比，一些用户最终可能会存储大量tweet或拥有大量的关注。保持不断增长的用户数据的均匀分布是相当困难的。 要从这些情况中恢复，我们必须重新分区/重新分发数据或使用 基于TweetID的切分：我们的散列函数将把每个TweetID映射到一个随机服务器，我们将在那里存储该Tweet。要搜索tweets，我们必须查询所有服务器，每个服务器将返回一组tweets。集中式服务器将聚合这些结果以将其返回给用户。让我们看看时间线生成示例；以下是我们的系统生成用户时间线必须执行的步骤数：

我们的应用程序（app）服务器将找到用户跟踪的所有人。 App server将向所有数据库服务器发送查询，以查找这些人的推文。 每个数据库服务器将找到每个用户的tweet，按最近情况对它们进行排序，并返回最热门的tweet。 App server将合并所有结果并再次对其排序，以将最重要的结果返回给用户。 这种方法解决了热用户的问题，但与按用户ID进行切分不同，我们必须查询所有数据库分区以查找用户的tweet，这可能会导致更高的延迟

我的问题是，一致性哈希在这里有什么帮助？一致散列创建了一个环，并尝试将均匀分布的服务器与虚拟副本放在一起。一致性哈希对流行的tweetID或热点地区有什么帮助？

在添加和删除服务器时，一致性哈希非常有用，无需重新设置所有数据库，只需将所需的映射部分平均重新设置为k/n大小调整，其中k是数据键，n是服务器数