为了解决Redis单机的内存流量瓶颈，出现了Redis Cluster分布式解决方案 同时也引入了两个问题 1. 数据分区规则制定 2. 集群扩容&集群收缩解决 常见的分区规则有哈希分区和顺序分区。Redis Cluster采用了哈希分区。  常见的哈希分区规则有 **节点取余分区**，**一致性哈希分区**，**虚拟槽分区** ## 节点取余分区 > 计算公式：hash(key) % N 优点是使用方便，缺点是扩容或者收缩节点时，需要重新生成节点数据。  ## 一致性哈希分区 > 给每个节点分配一个token，取值范围在1~2^32，这些token构成了一个哈希圆环。进行数据读写时，根据key计算hash值，顺时针查找第一个大于该hash值的token节点。 * 相比节点取余分区，一致性哈希分区在添加删除节点时，只会影响指定节点的相邻节点。 * 当哈希圆环中的节点数量过少时，节点数量变化影响的数据面更广。 * 想要在节点数量变化的同时保证负载均衡，需要增加或者减少一倍的节点数。  ## 虚拟槽分区 通过哈希算法将key均匀的映射到指定范围的整数，整数定位为槽（slots）。每个节点负责指定数量的槽。比如Redis Cluster的槽范围时0~16383。 计算公式：slot = CRC16(key)&16383 。 > 在key和节点之间新增了一层代理（slot），节点数量发生变化时，只对槽和节点的映射关系做变更，实现了跟客户端的解耦。  ## 分布式方案突破了单机的内存CPU限制的同时，也带来了一些问题 * mget，mset命令只支持具有相同slot值的key。 * 事务操作只支持处于同一节点上的key *