目标:介绍dubbo中集群的负载均衡,介绍dubbo-cluster下loadBalance包的源码。
负载均衡,说的通俗点就是要一碗水端平。在这个时代,公平是很重要的,在网络请求的时候同样是这个道理,我们有很多机器,但是请求老是到某个服务器上,而某些服务器又常年空闲,导致了资源的浪费,也增加了服务器因为压力过载而宕机的风险。这个时候就需要负载均衡的出现。它就相当于是一个天秤,通过各种策略,可以让每台服务器获取到适合自己处理能力的负载,这样既能够为高负载的服务器分流,还能避免资源浪费。负载均衡分为软件的负载均衡和硬件负载均衡,我们这里讲到的是软件负载均衡,在dubbo中,需要对消费者的调用请求进行分配,避免少数服务提供者负载过大,其他服务空闲的情况,因为负载过大会导致服务请求超时。这个时候就需要负载均衡起作用了。Dubbo 提供了4种负载均衡实现:
具体的实现看下面解析。
该类实现了LoadBalance接口,是负载均衡的抽象类,提供了权重计算的功能。
@Override public <T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) { // 如果invokers为空则返回空 if (invokers == null || invokers.isEmpty()) return null; // 如果invokers只有一个服务提供者,则返回一个 if (invokers.size() == 1) return invokers.get(0); // 调用doSelect进行选择 return doSelect(invokers, url, invocation); }
该方法是选择一个invoker,关键的选择还是调用了doSelect方法,不过doSelect是一个抽象方法,由上述四种负载均衡策略来各自实现。
protected int getWeight(Invoker<?> invoker, Invocation invocation) { // 获得 weight 配置,即服务权重。默认为 100 int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT); if (weight > 0) { // 获得启动时间戳 long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY, 0L); if (timestamp > 0L) { // 获得启动总时长 int uptime = (int) (System.currentTimeMillis() - timestamp); // 获得预热需要总时长。默认为10分钟 int warmup = invoker.getUrl().getParameter(Constants.WARMUP_KEY, Constants.DEFAULT_WARMUP); // 如果服务运行时间小于预热时间,则重新计算服务权重,即降权 if (uptime > 0 && uptime < warmup) { weight = calculateWarmupWeight(uptime, warmup, weight); } } } return weight; }
该方法是获得权重的方法,计算权重在calculateWarmupWeight方法中实现,该方法考虑到了jvm预热的过程。
static int calculateWarmupWeight(int uptime, int warmup, int weight) { // 计算权重 (uptime / warmup) * weight,进度百分比 * 权重 int ww = (int) ((float) uptime / ((float) warmup / (float) weight)); // 权重范围为 [0, weight] 之间 return ww < 1 ? 1 : (ww > weight ? weight : ww); }
该方法是计算权重的方法,其中计算公式是(uptime / warmup) weight,含义就是进度百分比 权重值。
该类是基于权重随机算法的负载均衡实现类,我们先来讲讲原理,比如我有有一组服务器 servers = [A, B, C],他们他们对应的权重为 weights = [6, 3, 1],权重总和为10,现在把这些权重值平铺在一维坐标值上,分别出现三个区域,A区域为[0,6),B区域为[6,9),C区域为[9,10),然后产生一个[0, 10)的随机数,看该数字落在哪个区间内,就用哪台服务器,这样权重越大的,被击中的概率就越大。
public class RandomLoadBalance extends AbstractLoadBalance { public static final String NAME = "random"; /** * 随机数产生器 */ private final Random random = new Random(); @Override protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) { // 获得服务长度 int length = invokers.size(); // Number of invokers // 总的权重 int totalWeight = 0; // The sum of weights // 是否有相同的权重 boolean sameWeight = true; // Every invoker has the same weight? // 遍历每个服务,计算相应权重 for (int i = 0; i < length; i++) { int weight = getWeight(invokers.get(i), invocation); // 计算总的权重值 totalWeight += weight; // Sum // 如果前一个服务的权重值不等于后一个则sameWeight为false if (sameWeight && i > 0 && weight != getWeight(invokers.get(i - 1), invocation)) { sameWeight = false; } } // 如果每个服务权重都不同,并且总的权重值不为0 if (totalWeight > 0 && !sameWeight) { // If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight. int offset = random.nextInt(totalWeight); // Return a invoker based on the random value. // 循环让 offset 数减去服务提供者权重值,当 offset 小于0时,返回相应的 Invoker。 // 举例说明一下,我们有 servers = [A, B, C],weights = [6, 3, 1],offset = 7。 // 第一次循环,offset - 6 = 1 > 0,即 offset > 6, // 表明其不会落在服务器 A 对应的区间上。 // 第二次循环,offset - 3 = -2 < 0,即 6 < offset < 9, // 表明其会落在服务器 B 对应的区间上 for (int i = 0; i < length; i++) { offset -= getWeight(invokers.get(i), invocation); if (offset < 0) { return invokers.get(i); } } } // If all invokers have the same weight value or totalWeight=0, return evenly. // 如果所有服务提供者权重值相同,此时直接随机返回一个即可 return invokers.get(random.nextInt(length)); } }
该算法比较好理解,当然 RandomLoadBalance 也存在一定的缺点,当调用次数比较少时,Random 产生的随机数可能会比较集中,此时多数请求会落到同一台服务器上,不过影响不大。
该负载均衡策略基于最少活跃调用数算法,某个服务活跃调用数越小,表明该服务提供者效率越高,也就表明单位时间内能够处理的请求更多。此时应该选择该类服务器。实现很简单,就是每一个服务都有一个活跃数active来记录该服务的活跃值,每收到一个请求,该active就会加1,,没完成一个请求,active就会减1。在服务运行一段时间后,性能好的服务提供者处理请求的速度更快,因此活跃数下降的也越快,此时这样的服务提供者能够优先获取到新的服务请求。除了最小活跃数,还引入了权重值,也就是当活跃数一样的时候,选择利用权重法来进行选择,如果权重也一样,那么随机选择一个。
public class LeastActiveLoadBalance extends AbstractLoadBalance { public static final String NAME = "leastactive"; /** * 随机器 */ private final Random random = new Random(); @Override protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) { // 获得服务长度 int length = invokers.size(); // Number of invokers // 最小的活跃数 int leastActive = -1; // The least active value of all invokers // 具有相同“最小活跃数”的服务者提供者(以下用 Invoker 代称)数量 int leastCount = 0; // The number of invokers having the same least active value (leastActive) // leastIndexs 用于记录具有相同“最小活跃数”的 Invoker 在 invokers 列表中的下标信息 int[] leastIndexs = new int[length]; // The index of invokers having the same least active value (leastActive) // 总的权重 int totalWeight = 0; // The sum of with warmup weights // 第一个最小活跃数的 Invoker 权重值,用于与其他具有相同最小活跃数的 Invoker 的权重进行对比, // 以检测是否“所有具有相同最小活跃数的 Invoker 的权重”均相等 int firstWeight = 0; // Initial value, used for comparision // 是否权重相同 boolean sameWeight = true; // Every invoker has the same weight value? for (int i = 0; i < length; i++) { Invoker<T> invoker = invokers.get(i); // 获取 Invoker 对应的活跃数 int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive(); // Active number // 获得该服务的权重 int afterWarmup = getWeight(invoker, invocation); // Weight // 发现更小的活跃数,重新开始 if (leastActive == -1 || active < leastActive) { // Restart, when find a invoker having smaller least active value. // 记录当前最小的活跃数 leastActive = active; // Record the current least active value // 更新 leastCount 为 1 leastCount = 1; // Reset leastCount, count again based on current leastCount // 记录当前下标值到 leastIndexs 中 leastIndexs[0] = i; // Reset totalWeight = afterWarmup; // Reset firstWeight = afterWarmup; // Record the weight the first invoker sameWeight = true; // Reset, every invoker has the same weight value? // 如果当前 Invoker 的活跃数 active 与最小活跃数 leastActive 相同 } else if (active == leastActive) { // If current invoker's active value equals with leaseActive, then accumulating. // 在 leastIndexs 中记录下当前 Invoker 在 invokers 集合中的下标 leastIndexs[leastCount++] = i; // Record index number of this invoker // 累加权重 totalWeight += afterWarmup; // Add this invoker's weight to totalWeight. // If every invoker has the same weight? if (sameWeight && i > 0 && afterWarmup != firstWeight) { sameWeight = false; } } } // assert(leastCount > 0) // 当只有一个 Invoker 具有最小活跃数,此时直接返回该 Invoker 即可 if (leastCount == 1) { // If we got exactly one invoker having the least active value, return this invoker directly. return invokers.get(leastIndexs[0]); } // 有多个 Invoker 具有相同的最小活跃数,但它们之间的权重不同 if (!sameWeight && totalWeight > 0) { // If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight. // 随机生成一个数字 int offsetWeight = random.nextInt(totalWeight) + 1; // Return a invoker based on the random value. // 相关算法可以参考RandomLoadBalance for (int i = 0; i < leastCount; i++) { int leastIndex = leastIndexs[i]; offsetWeight -= getWeight(invokers.get(leastIndex), invocation); if (offsetWeight <= 0) return invokers.get(leastIndex); } } // If all invokers have the same weight value or totalWeight=0, return evenly. // 如果权重一样,则随机取一个 return invokers.get(leastIndexs[random.nextInt(leastCount)]); } }
前半部分在进行最小活跃数的策略,后半部分在进行权重的随机策略,可以参见RandomLoadBalance。
该类是负载均衡基于 hash 一致性的逻辑实现。一致性哈希算法由麻省理工学院的 Karger 及其合作者于1997年提供出的,一开始被大量运用于缓存系统的负载均衡。它的工作原理是这样的:首先根据 ip 或其他的信息为缓存节点生成一个 hash,在dubbo中使用参数进行计算hash。并将这个 hash 投射到 [0, 232 - 1] 的圆环上,当有查询或写入请求时,则生成一个 hash 值。然后查找第一个大于或等于该 hash 值的缓存节点,并到这个节点中查询或写入缓存项。如果当前节点挂了,则在下一次查询或写入缓存时,为缓存项查找另一个大于其 hash 值的缓存节点即可。大致效果如下图所示(引用一下官网的图)
每个缓存节点在圆环上占据一个位置。如果缓存项的 key 的 hash 值小于缓存节点 hash 值,则到该缓存节点中存储或读取缓存项,这里有两个概念不要弄混,缓存节点就好比dubbo中的服务提供者,会有很多的服务提供者,而缓存项就好比是服务引用的消费者。比如下面绿色点对应的缓存项也就是服务消费者将会被存储到 cache-2 节点中。由于 cache-3 挂了,原本应该存到该节点中的缓存项也就是服务消费者最终会存储到 cache-4 节点中,也就是调用cache-4 这个服务提供者。
但是在hash一致性算法并不能够保证hash算法的平衡性,就拿上面的例子来看,cache-3挂掉了,那该节点下的所有缓存项都要存储到 cache-4 节点中,这就导致hash值低的一直往高的存储,会面临一个不平衡的现象,见下图:
可以看到最后会变成类似不平衡的现象,那我们应该怎么避免这样的事情,做到平衡性,那就需要引入虚拟节点,虚拟节点是实际节点在 hash 空间的复制品,“虚拟节点”在 hash 空间中以hash值排列。比如下图:
可以看到各个节点都被均匀分布在圆环上,而某一个服务提供者居然有多个节点存在,分别跟其他节点交错排列,这样做的目的就是避免数据倾斜问题,也就是由于节点不够分散,导致大量请求落到了同一个节点上,而其他节点只会接收到了少量请求的情况。类似第二张图的情况。
看完原理,接下来我们来看看代码
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) { // 获得方法名 String methodName = RpcUtils.getMethodName(invocation); // 获得key String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName; // 获取 invokers 原始的 hashcode int identityHashCode = System.identityHashCode(invokers); // 从一致性 hash 选择器集合中获得一致性 hash 选择器 ConsistentHashSelector<T> selector = (ConsistentHashSelector<T>) selectors.get(key); // 如果等于空或者选择器的hash值不等于原始的值,则新建一个一致性 hash 选择器,并且加入到集合 if (selector == null || selector.identityHashCode != identityHashCode) { selectors.put(key, new ConsistentHashSelector<T>(invokers, methodName, identityHashCode)); selector = (ConsistentHashSelector<T>) selectors.get(key); } // 选择器选择一个invoker return selector.select(invocation); }
该方法也做了一些invokers 列表是不是变动过,以及创建 ConsistentHashSelector等工作,然后调用selector.select来进行选择。
private static final class ConsistentHashSelector<T> { /** * 存储 Invoker 虚拟节点 */ private final TreeMap<Long, Invoker<T>> virtualInvokers; /** * 每个Invoker 对应的虚拟节点数 */ private final int replicaNumber; /** * 原始哈希值 */ private final int identityHashCode; /** * 取值参数位置数组 */ private final int[] argumentIndex; ConsistentHashSelector(List<Invoker<T>> invokers, String methodName, int identityHashCode) { this.virtualInvokers = new TreeMap<Long, Invoker<T>>(); this.identityHashCode = identityHashCode; URL url = invokers.get(0).getUrl(); // 获取虚拟节点数,默认为160 this.replicaNumber = url.getMethodParameter(methodName, "hash.nodes", 160); // 获取参与 hash 计算的参数下标值,默认对第一个参数进行 hash 运算 String[] index = Constants.COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, "hash.arguments", "0")); // 创建下标数组 argumentIndex = new int[index.length]; // 遍历 for (int i = 0; i < index.length; i++) { // 记录下标 argumentIndex[i] = Integer.parseInt(index[i]); } // 遍历invokers for (Invoker<T> invoker : invokers) { String address = invoker.getUrl().getAddress(); for (int i = 0; i < replicaNumber / 4; i++) { // 对 address + i 进行 md5 运算,得到一个长度为16的字节数组 byte[] digest = md5(address + i); // // 对 digest 部分字节进行4次 hash 运算,得到四个不同的 long 型正整数 for (int h = 0; h < 4; h++) { // h = 0 时,取 digest 中下标为 0 ~ 3 的4个字节进行位运算 // h = 1 时,取 digest 中下标为 4 ~ 7 的4个字节进行位运算 // h = 2, h = 3 时过程同上 long m = hash(digest, h); // 将 hash 到 invoker 的映射关系存储到 virtualInvokers 中, // virtualInvokers 需要提供高效的查询操作,因此选用 TreeMap 作为存储结构 virtualInvokers.put(m, invoker); } } } } /** * 选择一个invoker * @param invocation * @return */ public Invoker<T> select(Invocation invocation) { // 将参数转为 key String key = toKey(invocation.getArguments()); // 对参数 key 进行 md5 运算 byte[] digest = md5(key); // 取 digest 数组的前四个字节进行 hash 运算,再将 hash 值传给 selectForKey 方法, // 寻找合适的 Invoker return selectForKey(hash(digest, 0)); } /** * 将参数转为 key * @param args * @return */ private String toKey(Object[] args) { StringBuilder buf = new StringBuilder(); // 遍历参数下标 for (int i : argumentIndex) { if (i >= 0 && i < args.length) { // 拼接参数,生成key buf.append(args[i]); } } return buf.toString(); } /** * 通过hash选择invoker * @param hash * @return */ private Invoker<T> selectForKey(long hash) { // 到 TreeMap 中查找第一个节点值大于或等于当前 hash 的 Invoker Map.Entry<Long, Invoker<T>> entry = virtualInvokers.tailMap(hash, true).firstEntry(); // 如果 hash 大于 Invoker 在圆环上最大的位置,此时 entry = null, // 需要将 TreeMap 的头节点赋值给 entry if (entry == null) { entry = virtualInvokers.firstEntry(); } // 返回选择的invoker return entry.getValue(); } /** * 计算hash值 * @param digest * @param number * @return */ private long hash(byte[] digest, int number) { return (((long) (digest[3 + number * 4] & 0xFF) << 24) | ((long) (digest[2 + number * 4] & 0xFF) << 16) | ((long) (digest[1 + number * 4] & 0xFF) << 8) | (digest[number * 4] & 0xFF)) & 0xFFFFFFFFL; } /** * md5 * @param value * @return */ private byte[] md5(String value) { MessageDigest md5; try { md5 = MessageDigest.getInstance("MD5"); } catch (NoSuchAlgorithmException e) { throw new IllegalStateException(e.getMessage(), e); } md5.reset(); byte[] bytes; try { bytes = value.getBytes("UTF-8"); } catch (UnsupportedEncodingException e) { throw new IllegalStateException(e.getMessage(), e); } md5.update(bytes); return md5.digest(); } }
该类是内部类,是一致性 hash 选择器,首先看它的属性,利用TreeMap来存储 Invoker 虚拟节点,因为需要提供高效的查询操作。再看看它的构造方法,执行了一系列的初始化逻辑,比如从配置中获取虚拟节点数以及参与 hash 计算的参数下标,默认情况下只使用第一个参数进行 hash,并且ConsistentHashLoadBalance 的负载均衡逻辑只受参数值影响,具有相同参数值的请求将会被分配给同一个服务提供者。还有一个select方法,比较简单,先进行md5运算。然后hash,最后选择出对应的invoker。
该类是负载均衡基于加权轮询算法的实现。那么什么是加权轮询,轮询很好理解,比如我第一个请求分配给A服务器,第二个请求分配给B服务器,第三个请求分配给C服务器,第四个请求又分配给A服务器,这就是轮询,但是这只适合每台服务器性能相近的情况,这种是一种非常理想的情况,那更多的是每台服务器的性能都会有所差异,这个时候性能差的服务器被分到等额的请求,就会需要承受压力大宕机的情况,这个时候我们需要对轮询加权,我举个例子,服务器 A、B、C 权重比为 6:3:1,那么在10次请求中,服务器 A 将收到其中的6次请求,服务器 B 会收到其中的3次请求,服务器 C 则收到其中的1次请求,也就是说每台服务器能够收到的请求归结于它的权重。
/** * 回收间隔 */ private static int RECYCLE_PERIOD = 60000;
protected static class WeightedRoundRobin { /** * 权重 */ private int weight; /** * 当前已经有多少请求落在该服务提供者身上,也可以看成是一个动态的权重 */ private AtomicLong current = new AtomicLong(0); /** * 最后一次更新时间 */ private long lastUpdate; public int getWeight() { return weight; } public void setWeight(int weight) { this.weight = weight; current.set(0); } public long increaseCurrent() { return current.addAndGet(weight); } public void sel(int total) { current.addAndGet(-1 * total); } public long getLastUpdate() { return lastUpdate; } public void setLastUpdate(long lastUpdate) { this.lastUpdate = lastUpdate; } }
该内部类是一个加权轮询器,它记录了某一个服务提供者的一些数据,比如权重、比如当前已经有多少请求落在该服务提供者上等。
@Override protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) { // key = 全限定类名 + "." + 方法名,比如 com.xxx.DemoService.sayHello String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName(); ConcurrentMap<String, WeightedRoundRobin> map = methodWeightMap.get(key); if (map == null) { methodWeightMap.putIfAbsent(key, new ConcurrentHashMap<String, WeightedRoundRobin>()); map = methodWeightMap.get(key); } // 权重总和 int totalWeight = 0; // 最小权重 long maxCurrent = Long.MIN_VALUE; // 获得现在的时间戳 long now = System.currentTimeMillis(); // 创建已经选择的invoker Invoker<T> selectedInvoker = null; // 创建加权轮询器 WeightedRoundRobin selectedWRR = null; // 下面这个循环主要做了这样几件事情: // 1. 遍历 Invoker 列表,检测当前 Invoker 是否有 // 相应的 WeightedRoundRobin,没有则创建 // 2. 检测 Invoker 权重是否发生了变化,若变化了, // 则更新 WeightedRoundRobin 的 weight 字段 // 3. 让 current 字段加上自身权重,等价于 current += weight // 4. 设置 lastUpdate 字段,即 lastUpdate = now // 5. 寻找具有最大 current 的 Invoker,以及 Invoker 对应的 WeightedRoundRobin, // 暂存起来,留作后用 // 6. 计算权重总和 for (Invoker<T> invoker : invokers) { // 获得identify的值 String identifyString = invoker.getUrl().toIdentityString(); // 获得加权轮询器 WeightedRoundRobin weightedRoundRobin = map.get(identifyString); // 计算权重 int weight = getWeight(invoker, invocation); // 如果权重小于0,则设置0 if (weight < 0) { weight = 0; } // 如果加权轮询器为空 if (weightedRoundRobin == null) { // 创建加权轮询器 weightedRoundRobin = new WeightedRoundRobin(); // 设置权重 weightedRoundRobin.setWeight(weight); // 加入集合 map.putIfAbsent(identifyString, weightedRoundRobin); weightedRoundRobin = map.get(identifyString); } // 如果权重跟之前的权重不一样,则重新设置权重 if (weight != weightedRoundRobin.getWeight()) { //weight changed weightedRoundRobin.setWeight(weight); } // 计数器加1 long cur = weightedRoundRobin.increaseCurrent(); // 更新最后一次更新时间 weightedRoundRobin.setLastUpdate(now); // 当落在该服务提供者的统计数大于最大可承受的数 if (cur > maxCurrent) { // 赋值 maxCurrent = cur; // 被选择的selectedInvoker赋值 selectedInvoker = invoker; // 被选择的加权轮询器赋值 selectedWRR = weightedRoundRobin; } // 累加 totalWeight += weight; } // 如果更新锁不能获得并且invokers的大小跟map大小不匹配 // 对 <identifyString, WeightedRoundRobin> 进行检查,过滤掉长时间未被更新的节点。 // 该节点可能挂了,invokers 中不包含该节点,所以该节点的 lastUpdate 长时间无法被更新。 // 若未更新时长超过阈值后,就会被移除掉,默认阈值为60秒。 if (!updateLock.get() && invokers.size() != map.size()) { if (updateLock.compareAndSet(false, true)) { try { // copy -> modify -> update reference ConcurrentMap<String, WeightedRoundRobin> newMap = new ConcurrentHashMap<String, WeightedRoundRobin>(); // 复制 newMap.putAll(map); Iterator<Entry<String, WeightedRoundRobin>> it = newMap.entrySet().iterator(); // 轮询 while (it.hasNext()) { Entry<String, WeightedRoundRobin> item = it.next(); // 如果大于回收时间,则进行回收 if (now - item.getValue().getLastUpdate() > RECYCLE_PERIOD) { // 从集合中移除 it.remove(); } } // 加入集合 methodWeightMap.put(key, newMap); } finally { updateLock.set(false); } } } // 如果被选择的selectedInvoker不为空 if (selectedInvoker != null) { // 设置总的权重 selectedWRR.sel(totalWeight); return selectedInvoker; } // should not happen here return invokers.get(0); }
该方法是选择的核心,其实关键是一些数据记录,在每次请求都会记录落在该服务上的请求数,然后在根据权重来分配,并且会有回收时间来处理一些长时间未被更新的节点。
该部分相关的源码解析地址: https://github.com/CrazyHZM/i...
该文章讲解了集群中关于负载均衡实现的部分,每个算法都是现在很普遍的负载均衡算法,希望大家细细品味。接下来我将开始对集群模块关于分组聚合部分进行讲解。