云存储方案中，产生了2大流派：元数据和sharding模型。sharding模型中，一致性哈希最为流行。一致性hash本身很难直接用作实际使用，进而产生了很多衍生方案，其中包括著名的“Dynamo”.这里的一致性hash方案是指代基于一致性hash的设计。
元数据方案是对象级别的key->pos映射。也就是一个会无休止的增长的”map”，每多一个对象，就会多一条元数据，通常会将元数据保存在一组数据库中，方便检索和查询。元数据的核心是元数据存储部分，其设计的好坏，关系到系统整体的特性。
标准的一致性hash模型，是对hash进行hash算法，然后投射到一个环形的数值空间上，与此同时，对节点（存储服务器）进行编码。然后也做hash运算，并投射到hash环上。理论上，只要hash算法合适，节点可以均匀的分布在hash环上。节点根据自身在hash换上的位置，占据一个hash值区间。比如从本节点到下一节点间的区间，所有落入这个区间的key。都会保存在该节点上。
在这个模型中。key到数据存储的逻辑位置的映射不通过存储，而是通过算法直接得到，但是逻辑位置（hash环上的位置）到物理位置（节点）的转换无法直接得到。标准的做法是任选一个节点，然后顺序寻找目标节点，或者采用二分法在节点之间跳转查找。这种查找方式在实际的存储系统中是服务忍受的。所以采用的存储系统往往是一个混合模型:系统维护一个hash区间->节点的映射表。这个映射的本质也是一种元数据，不过它是大粒度的元数据，更新一个路由表。由于粒度大，变化少，用文本文件既可以存储。这个映射表也需要多分存储，通常是放在入口服务器上，也可以分散到所有的存储节点上，关键是保持一致性。
一致性hash模型解决了hash表改变大小时，需要重新计算，并且迁移所有数据的问题，只需迁移被新加节点占据的hash区间所包含的数据。但是随着新节点的加入，数据量的分布会变的不均匀，为了解决这个问题。包括dynamo在内的诸多模型，都采用了虚拟节点的方案：将一个节点分成若干虚拟节点。当节点加入系统时，把虚拟节点分散到hash环上。如此可以更加均匀的添加一个节点。
