负载均衡的那些算法们

6

月下旬会跟大家聊聊面试那些事儿（老王到目前大约参加了几百次的面试，可以从面试官的角度来聊聊不一样的面试）。老王聊技术有个特点，就是绝不假大空，只求贴地飞行。所以，聊的东西一定会跟实际有关联，大家在平时也有可能用得着。

今天跟大伙儿聊的是负载均衡相关的一些算法。老王在百度的时候（估计是 5-6 年前），写过一个通用的基础库（不知道现在还有没有部门在用），用来做不同系统间负载均衡。太细节的东东估计想不起来了，不过基本的算法可以跟大家做做分享。

那第一个问题： what's load-balance?

假设我有两个模块（或者两个系统）： module-A 和 module-B ， A 依赖 B 提供服务。当用户请求过来的时候， A 就会去请求 B ，让 B 根据请求进行某些处理（比如：根据单词 id 查对应的单词），完成后把结果返回给 A ， A 再对这个结果进行处理。然而，为了保证服务稳定，有可能 B 服务有很多台机器， A 遇到这个时候就犯难了：我该去找 B 的哪台机器取数据呢？

最常见的一个 case 就是 nginx ：比如我们的 web 逻辑服务器是 jetty 或者 tomcat ，一般会有多台， nginx 就需要配置这多台机器：

upstream simplemain.com {

server  192.168.1.100:8080;

server  192.168.1.101:8080;

}

那这些机器是怎么样选择的呢？实际就是负载均衡算法。

老王对负载均衡的理解，他应该包含两个层面：

1 、负载：就是后端系统的承载能力。比如同等条件下，一个 1 核 cpu-1G 内存的机器的承载能力一般会比 8 核 cpu-8G 内存的机器要差；相同配置下，一个 cpu 利用率为 80% 的机器比 30% 的承载能力一般要差等等。

2 、均衡：保证后端请求的平衡。比如：在同等情况下，分配到多台机器的请求要相当；有些情况下，同一用户尽可能分配到同一台机器等等。

所以，负载均衡的算法实际上就是解决跨系统调用的时候，在考虑后端机器承载情况的前提下，保证请求分配的平衡和合理。

那第二个问题随之而来： why ？

为什么要有负载均衡呢？

1 、很明显，如果我们不去考虑后端的承载情况，有可能直接就把某台机器压垮了（比如 cpu 利用率已经 80% 了，再给大量的请求直接就干死了），更严重的会直接造成雪崩（一台压死了，对应的请求又压倒其他某台机器上，又干死一台……），从而致使服务瘫痪。

2 、如果我们均衡算法选的不好，就会导致后端资源浪费。比如：如果选择一致 Hash 算法，可以很好利用 cache 的容量。而如果用随机，有可能就会让 cache 效果大打折扣（每台机器上都要缓存几乎相同的内容）。

所以，用负载均衡应该是一个比较好的选择。

那就解决第三个问题吧： how ？

按照之前的思路，我们还是分成两个部分来讲：负载 & 均衡。

1 、先来看 负载算法 ：

既然要解决后端系统的承载能力，那我们就有很多方式，常见的有以下几种：

A 、简单粗暴有效的：手工配置！

大家是不是觉得这个听起来很山寨呢？其实不是。这种方式对于中小系统来讲是最有效最稳定的。因为后端机器的性能配置、上面部署了哪些服务、还能有多大的承载能力等等，我们是最清楚的。那我们在配置的时候，就可以明确的告诉调用者，你只能分配多大的压力到某台服务器上，多了不行！

比如，我们经常看到 nginx 的配置：

upstream simplemain.com {

server  192.168.1.100:8080 weight=30 ;

server  192.168.1.101:8080 weight=70 ;

}

就是说，虽然有两台后端的服务器，但是他们承载能力是不一样的，有一个能力更强，我们就给他 70% 的压力；有一个更弱，我们就给他 30% 的压力。这样， nginx 就会把更多的压力分配给第二台。

这种方式配置简单，而且很稳定，基本不会产生分配的抖动。不过，带来的问题就是分配很固定，不能动态调整。如果你的后端服务器有一段时间出现性能抖动（比如有其他服务扰动了机器的稳定运行，造成 cpu 利用率一段时间升高），前端调用者就很难根据实际的情况重新分配请求压力。所以，引入了第二种方法。

B 、动态调整。

这种方案会根据机器当前运行的状态和历史平均值进行对比，发现如果当前状态比历史的要糟糕，那么就动态减少请求的数量。如果比历史的要好，那么就可以继续增加请求的压力，直到达到一个平衡。

具体怎么做呢？

首先，刚开始接入的时候，我们可以计算所有机器对于请求的响应时间，算一个平均值。对于响应较快的机器，我们可以多分配一些请求。如果请求多了导致响应减慢，这个时候就会逐步和其他机器持平，说明这台机器达到了相应的平衡。

接着，当接入达到平衡以后，就可以统计这台机器平均的响应时间。如果某一段响应请求变慢了（同时比其他机器都要慢），就可以减少对他请求的分配，将压力转移一部分到其他机器，直到所有机器达到一个整体的平衡。

这种方案是不是看起来很高级呢？他的好处在于可以动态的来平衡后面服务器的处理能力。不过，任何事物都有两面性。这种方案如果遇到极端情况，可能会造成系统雪崩！当某台机器出现短暂网络抖动的时候，他的响应就可能变慢，这个时候，前端服务就会将他的请求分配给其他的机器。如果分配的很多，就有可能造成某些机器响应也变慢。然后又将这些机器的请求分配给另外的……如此这般，那些勤勤恳恳的机器终将被这些请求压死。

所以，更好的方案，将两者结合。一方面静态配置好承载负荷的一个范围，超过最大的就扔掉；另一方面动态的监控后端机器的响应情况，做小范围的请求调整。

2 、 均衡算法

均衡算法主要解决将请求如何发送给后端服务。经常会用到以下四种算法：随机（ random ）、轮训（ round-robin ）、一致哈希（ consistent-hash ）和主备（ master-slave ）。

比如：我们配置 nginx 的时候，经常会用到这样的配置：

upstream simplemain.com {

ip_hash ;

server  192.168.1.100:8080;

server  192.168.1.101:8080;

}

这个配置就是按 ip 做 hash 算法，然后分配给对应的机器。

接下来我们详细的看看这几个算法是如何来工作的。

A 、随机算法 。

顾名思义，就是在选取后端服务器的时候，采用随机的一个方法。在具体讲这个算法之前，我们先来看看一个例子，我们写如下 C 语言的代码 :

#include <stdlib.h>

#include <stdio.h>

int main()

{

srand( 1234 );

printf( " %d/n " , rand());

return 0 ;

}

我们用 srand 函数给随机算法播了一个 1234 的种子，然后再去随机数，接着我们编译和链接 gcc rand.c -o rand

按理想中说，我们每次运行 rand 这个程序，都应该得到不一样的结果，对吧。可是……

可以看到，我们每次运行的结果都是一样的！！出了什么问题呢？

我们说的随机，在计算机算法中通常采用的是一种伪随机的算法。我们会先给算法放一个种子，然后根据一定的算法将种子拿来运算，最后得到一个所谓的随机值。我们将上面的算法做一个小小的改动，将 1234 改为 time(NULL) ，效果就不一样了：

#include <stdlib.h>

#include <stdio.h>

#include <time.h>

int main()

{

srand(( int )time( NULL ));

printf( " %d/n " , rand());

return 0 ;

}

time 这个函数会获取当前秒数，然后将这个值作为种子放入到伪随机函数，从而计算出的伪随机值会因为秒数不一样而不同。

具体来看一下 java 源代码里如何来实现的。我们常用的 java 随机类是 java.util.Random 这个类。他提供了两个构造函数：

public Random() {

this ( seedUniquifier () ^ System. nanoTime ());

}

public Random( long seed) {

if (getClass() == Random. class )

this . seed = new AtomicLong( initialScramble (seed));

else {

//subclass might have overriden setSeed

this . seed = new AtomicLong();

setSeed(seed);

}

}

我们可以看到，这个类也是需要一个种子。然后我们获取随机值的时候，会调用 next 函数：

protected int next ( int bits) {

long oldseed, nextseed;

AtomicLong seed = this . seed ;

do {

oldseed = seed.get();

nextseed = (oldseed * multiplier + addend ) & mask ;

} while (!seed.compareAndSet(oldseed, nextseed));

return ( int )(nextseed>>> (48 - bits));

}

这个函数会利用种子进行一个运算，然后得到随机值。所以，我们看起来随机的一个算法，实际上跟时间是相关的，跟算法的运算是相关的。并不是真正的随机。

好了，话归正题，我们用随机算法怎么样做请求均衡呢？比如，还是我们之前那个 nginx 配置：

upstream simplemain.com {

server  192.168.1.100:8080 weight=30 ;

server  192.168.1.101:8080 weight=70 ;

}

我们有两台机器，分别需要承载 30% 和 70% 的压力，那么我们算法就可以这样来写（伪代码）：

bool res = abs(rand()) % 100 < 30

这句话是什么意思呢？

1 、我们先产生一个伪随机数： rand()

2 、将这个伪随机数的转化为非负数 : abs(rand())

3 、将这个数取模 100 ，将值转化到 [0,100) 的半开半闭区间： abs(rand()) % 100

4 、看这个数是否落入了前 30 个数的区间 [0,30) ： abs(rand()) % 100 < 30

如果随机是均匀的话，他们落到 [0,100) 这个区间里一定是均匀的，所以只要在 [0,30) 这个区间里，我们就分给第一台机器，否则就分给第二台机器。

其实这里讲述的只是一种方法，还有很多其他的方法，大家都可以去想想。

随机算法是我们最最最最最最常用的算法，绝大多数情况都使用他。首先，从概率上讲，它能保证我们的请求基本是分散的，从而达到我们想要的均衡效果；其次，他又是无状态的，不需要维持上一次的选择状态，也不需要均衡因子等等。总体上，方便实惠又好用，我们一直用他！

B 、轮训算法 。

轮训算法就像是挨个数数一样（ 123-123-123 ……），一个个的轮着来。

upstream simplemain.com {

server  192.168.1.100:8080 weight=30 ;

server  192.168.1.101:8080 weight=70 ;

}

还是这个配置，我们就可以这样来做（为了方便，我们把第一台机器叫做 A ，第二台叫做 B ）：

1 、我们先给两台机器做个排序的数组： array = [ABBABBABBB]

2 、我们用一个计数指针来标明现在数组的位置： idx = 3

3 、当一个请求来的时候，我们就把指针对应的机器选取出来，并且指针加一，挪到下一个位置。

这样，十个请求，我们就可以保证有 3 个一定是 A ， 7 个一定是 B 。

轮训算法在实际中也有使用，但是因为要维护 idx 指针，所以是有状态的。我们经常会用随机算法取代。

C 、一致哈希算法 。

这个算法是大家讨论最对，研究最多，神秘感最强的一个算法。老王当年刚了解这个算法的时候，也是花了很多心思去研究他。在百度上搜：“一致 hash ”，大概有 321 万篇相关文章。

大家到网上搜这个算法，一般都会讲将 [0,2 ³² ) 所有的整数投射到一个圆上，然后再将你的机器的唯一编码（比如： IP ）通过 hash 运算得到的整数也投射到这个圆上（ Node-A 、 Node-B ）。如果一个请求来了，就将这个请求的唯一编码（比如：用户 id ）通过 hash 算法运算得到的整数也投射到这个圆上（ request-1 、 request-2 ），通过顺时针方向，找到第一个对应的机器。如下图：

当时老王看了这些文章也觉得很有道理，但是过了一段时间就忘了……自己琢磨了一段时间，不断的问自己，为什么要这样做呢？

过了很久，老王有了一些体会。实际上，一致 Hash 要解决的是两个问题：

1 、散列的不变性：就是同一个请求（比如：同一个用户 id ）尽量的落入到一台机器，不要因为时间等其他原因，落入到不同的机器上了；

2 、异常以后的分散性：当某些机器坏掉（或者增加机器），原来落到同一台机器的请求（比如：用户 id 为 1 ， 101 ， 201 ），尽量分散到其他机器，不要都落入其他某一台机器。这样对于系统的冲击和影响最小。

有了以上两个原则，这个代码写起来就很好写了。比如我们可以这样做 ( 假定请求的用户 id=100 ）：

1 、我们将这个 id 和所有的服务的 IP 和端口拼接成一个字符串：

str1 = "192.168.1.100:8080-100"

str2 = "192.168.1.101:8080-100"

2 、对这些字符串做 hash ，然后得到对应的一些整数：

iv1 = hash(str1)

iv2 = hash(str2)

3 、对这些整数做从大到小的排序，选出第一个。

好，现在来看看我们的这个算法是否符合之前说的两个原则。

1 、散列的不变性：很明显，这个算法是可重入的，只要输入一样，结果肯定一样；

2 、异常以后的分散性：当某台机器坏掉以后，原本排到第一的这些机器就被第二位的取代掉了。只要我们的 hash 算法是分散的，那么得到排到第二位的机器就是分散的。

所以，这种算法其实也能达到同样的目的。当然，可以写出同样效果的算法很多很多，大家也可以自己琢磨琢磨。最根本的，就是要满足以上说的原则。

一致 Hash 算法用的最多的场景，就是分配 cache 服务。将某一个用户的数据缓存在固定的某台服务器上，那么我们基本上就不用多台机器都缓存同样的数据，这样对我们提高缓存利用率有极大的帮助。

不过硬币都是有两面的，一致 Hash 也不例外。当某台机器出问题以后，这台机器上的 cache 失效，原先压倒这台机器上的请求，就会压到其他机器上。由于其他机器原先没有这些请求的缓存，就有可能直接将请求压到数据库上，造成数据库瞬间压力增大。如果压力很大的话，有可能直接把数据库压垮。

所以，在考虑用一致 Hash 算法的时候，一定要估计一下如果有机器宕掉后，后端系统是否能承受对应的压力。如果不能，则建议浪费一点内存利用率，使用随机算法。

D 、主备算法 。

这个算法核心的思想是将请求尽量的放到某个固定机器的服务上（注意这里是尽量），而其他机器的服务则用来做备份，如果出现问题就切换到另外的某台机器的服务上。

这个算法用的相对不是很多，只是在一些特殊情况下会使用这个算法。比如，我有多台 Message Queue 的服务，为了保证提交数据的时序性，我就想把所有的请求都尽量放到某台固定的服务上，当这台服务出现问题，再用其他的服务。

那怎么做呢？最简单的做法，我们就对每台机器的 IP ： Port 做一个 hash ，然后按从大到小的顺序排序，第一个就是我们想要的结果。如果第一个出现问题，那我们再取第二个： head(sort(hash("IP:Port1"), hash("IP:Port2"), …… ))

当然，还有其他做法。比如：老王做的 Naming Service 就用一个集中式的锁服务来判定当前的主服务器，并对他进行锁定。

好了，关于负载均衡相关的算法就大体上说这么多。其实还有一个相关话题没有说，就是健康检查。他的作用就是对所有的服务进行存活和健康检测，看是否需要提供给负载均衡做选择。如果一台机器的服务出现了问题，健康检查就会将这台机器从服务列表中去掉，让负载均衡算法看不到这台机器的存在。这个是给负载均衡做保障的，但是可以不划在他的体系内。不过也有看法是可以将这个也算在负载均衡算法中。因为这个算法的实现其实也比较复杂，老王这次就不讲这个算法了，可以放到接下来的文章中来分析。

==== 感谢的分割线 ====

1 、上周做了一个问卷，想了解一下大家都关注哪些技术方向。好多盆友都投了票，给老王提了建议和想法，让老王对接下来的扯淡有了更多的思考；

2 、有几位盆友问老王怎么没开通评论和打赏，准备要给老王打个赏。更有一位姓姜的盆友加了老王的微信，硬给老王发了红包（是老王收到的第一个赏哦，老王会永远记住的）。让老王感动的不行。本来老王写这些东东没太想其他的，就想把多年的积累记录下来，分享给更多的人，所以收到大家的赞赏真的很感动。也巧，这周收到微信的原创邀请和评论了 ~

3 、好几位盆友还将自己未来的发展方向找老王来聊。这是把自己的未来跟老王做分享和交流，这是对老王最大的信任！

所以，老王要对所有支持我的朋友深深的鞠一躬，谢谢各位的支持与信任！

有兴趣的盆友，可以继续关注老王： simplemain