本节课是分布式相关的知识点中最熟悉的一节，但是之前都是零碎的信息，没有把这四种数据分布方式进行细致的对比，这次老师的对比
让我豁然开朗。下面总结一下我的思考：

提到hash的时候，学后端的小伙伴一定会回想到数据结构课程中的hash，会想到Java的经典面试题：HashMap的原理，其实我想说的是
分布式的数据分布其实就是从基本的hash演化来的。


数据的最基本的存储组织方式：数组，所有的数据按照地址顺序放在一个列表
数组通过游标查询快，修改数据快，删除数据和插入数据需要移动数据就慢了，分配内存需要连续的内存空间，内存使用的效率低

于是链表诞生--->>>

链表修改数据快，删除数据，插入数据快，分配的内存空间不需要连续，内存使用的效率高，但是链表的查询需要遍历很慢



于是hash表诞生--->>>

hash散列表存储键值对数据，key通过hash函数计算出一个hash值，这个hash值再和数据的地址做一个映射就找到数据了，hash解决
了链表的查询慢的问题；但是hash又引入了新的问题：hash函数性能损耗，hash散列不均衡，hash冲突等


这里再想想Java中的HashMap怎么优化这个问题--->>>

hash函数性能损耗：通过取模（CPU的原生指令）提高效率
hash散列冲突：数组+链表 、数组+红黑树的方式解决冲突

从上面对比我想到，需求的本质就像想做数据映射，通过key和value做映射，value可能是内存地址，可能是hash值，
可能一次映射不够就做两次。

然后想想数据库的索引也就是为了做数据映射，更快更高效的对数据进行增删该查。

在分布式的场景下，我们可以迁移这些思想，
一个数如何据映射到具体节点上，这和一个值映射到具体哪个内存地址有共享。


最后--->>>
老师讲到的hash，一致性hash，有限负载的一致性hash，虚列节点的一致性hash以及它们各种特性比较。
老师总结的非常好，自己对对于这个块知识不是很清楚的地方这次也明白了：

均衡性：也就hash的分散性，老师讲的从两个维度理解。第一：每个节点的数据量要均衡分配，第二：用户访问的请求要均衡的落在每个节点
，第二个维度可以理解为系统的热点数据访问怎么处理，不能让热点数据成为系统访问的压力，要分散它。


节点异构：我们组的系统刚好做过通过虚拟节点的一致性hash方式实现数据分布，当时一直理解的是虚拟节点再多了一次映射就是为了数据分散
更均衡，老师讲的是因为节点以后的原因，然后通过虚拟节点来实现数据分散，这个本质的今天才get到。


我有2个疑问：
1.如果相同的数据被映射到了不同的节点，空间不是就浪费了？
2.做数据分布映射的时候我们是不是需要考虑有key是单调递增的场景呢？


最后说说老师的课后问题：寻找其它数据分布的方式

散列：老师讲的hash三个都是属于这一类
范围：按照id划分，按照地区，国家，民族等自定义的维度
循环：按照一个步长循环
组合：以上三种方式按照特定场景的组合

个人认为：数据分布，数据分片，索引，hash，负载均衡实现的方式中有共性

疑问：如果我们能把数据按照页的级别分布在不同的节点上，我们是不是可以通过一个可棵 B+树 来组织分布式的数据？？？

范围分区：通过确定分区键是否在一定范围内来选择分区。比如按照年龄范围分区。
列表分区：为分区分配值列表。比如按照所属国家对用户分区。
循环分区：对于n个分区，将插入顺序中的第i个元组分配给i%n分区
散列函数：将数据的某些字段通过散列函数计算得到分区号。比如Redis。
组合分区：允许上述划分方案的某些组合
参见：
https://en.wikipedia.org/wiki/Partition_(database)
https://dev.mysql.com/doc/refman/8.0/en/partitioning-types.html