按数据范围分片

按数据范围分片实现比较简单，常见场景就是按照时间区间或ID区间来划分。例如，按照日期时间将每天生成的日志数据存放在不同的表中；或者是按照用户ID划分，将ID小于10000的数据存放在表A,将ID大于等于10000的数据存放在表B。

优点：

• 单表大小可控
• 水平扩展方便，增加节点时无需迁移数据
• 使用分片字段进行范围查找时，连续分片可以快速定位分片进行查询，有效减少跨分片查询问题

缺点：

• 热点数据成为性能瓶颈。某个范围内的数据可能会被经常读写，例如按时间分片时，最近存储的数据可能会经常访问，而历史数据访问量相对比较少。

hash分片

hash分片是指利用哈希函数对数据进行运算得到hash值，再使用hash值取余得到数据存放的目标分片。
假设有3个缓存节点，我们在存放或读取数据时，需要知道此缓存应该被存放至哪个节点，我们首先要对缓存key值做哈希计算得出对应的哈希值，再使用哈希值对节点数量3取余，得到的结果就是此缓存key对应存放的目标节点。

优点：

• 简单易理解

缺点：

• 当缓存节点增加或减少时，取余得出的结果会变化，从而导致缓存失效不可用，如果要保持可用则需要在各个节点之间迁移大量数据，造成极大的性能损耗

一致性哈希分片

一致性哈希分片可以很好地解决增加和删减节点时，数据无法被访问或需要搬移大批量数据的问题。在一致性哈希算法中，首先要将整个hash值空间组织成一个虚拟的圆环hash环，然后计算节点的hash值，然后根据hash值模2^32将节点放在hash环上。当需要存取数据时，先对数据进行哈希运算，得到数据在hash环上的位置，再从这个位置沿着圆环按顺时针寻找，找到的第一个节点即是数据存放的目标节点。由此，当进行节点扩缩容时，只需要移动很少一部分数据。

问题：

• 数据倾斜。各个节点在hash环上分布可能是不均衡的，导致数据的不均匀分布。
• 缓存雪崩。当某个节点故障时，这个节点承担的所有访问都会被顺时针转移到下一个节点上，对下一个节点造成压力，导致连续故障引起雪崩效应。

改进方案：
增加虚拟节点，每个节点计算多个哈希值分布在hash环上，数据由虚拟节点映射到实际节点

哈希槽分片

redis集群中使用的哈希算法和一致性哈希算法有所区别，引入了哈希槽slot的概念。
一个redis集群包含16384个哈希槽，存储在redis集群中的所有key都会被映射到这些slot中。
各个节点上的哈希槽是平均分配的，当某个节点下线时，此节点上的哈希槽会被迁移到其他节点上，这个过程中节点不会停止服务。