每日一博 - 常用负载均衡算法实现_小小工匠

网络投稿 02-07 3574

文章目录常见的负载均衡算法Dubbo开源实现负载均衡算法模拟Server列表轮询（Round Robin）随机（Random）源地址哈希（Hash）加权轮询（Weight Round Robin）加权随机（Weight Random）最小连接数（Least Connections）

常见的负载均衡算法轮询（Round Robin）随机（Random）源地址哈希（Hash）加权轮询（Weight Round Robin）加权随机（Weight Random）最小连接数（Least Connections）最快响应速度 (Fastest)…

Dubbo开源实现

Dubbo： https://dubbo.apache.org/zh/docs/v2.7/dev/source/loadbalance/#21-randomloadbalance

Dubbo 提供了4种负载均衡实现，分别是

基于权重随机算法的 RandomLoadBalance基于最少活跃调用数算法的 LeastActiveLoadBalance基于 hash 一致性的 ConsistentHashLoadBalance基于加权轮询算法的 RoundRobinLoadBalance。

建议重点看Dubbo的实现。

下面我们来自己写个low一点的哈

负载均衡算法模拟Server列表 package com.artisan.lb; import java.util.HashMap; import java.util.Map; /** * @author 小工匠 * @version 1.0 * @mark: show me the code , change the world */ public class Servers { // 服务器列表，Key代表Ip，Value代表该Ip的权重 public static Map<String, Integer> serverWeightMap = new HashMap(); static { serverWeightMap.put("172.168.1.100", 1); serverWeightMap.put("172.168.1.101", 1); // 权重为4 serverWeightMap.put("172.168.1.102", 4); serverWeightMap.put("172.168.1.103", 1); serverWeightMap.put("172.168.1.104", 1); // 权重为3 serverWeightMap.put("172.168.1.105", 3); serverWeightMap.put("172.168.1.106", 1); // 权重为2 serverWeightMap.put("172.168.1.107", 2); serverWeightMap.put("172.168.1.108", 1); serverWeightMap.put("172.168.1.109", 1); serverWeightMap.put("172.168.1.110", 1); } } 轮询（Round Robin）

核心思想：把来自请求轮流分配给内部中的服务器，从1开始，直到N(内部服务器个数)，然后重新开始循环。

优点是其简洁性，它无需记录当前所有连接的状态，所以它是一种无状态调度。

建议处理下异常情况，从0开始重新计算。

package com.artisan.lb; import java.util.*; /** * @author 小工匠 * @version 1.0 * @description: 轮询调度算法的原理是每一次把来自用户的请求轮流分配给内部中的服务器，从1开始，直到N(内部服务器个数)，然后重新开始循环。算法的优点是其简洁性，它无需记录当前所有连接的状态，所以它是一种无状态调度。 * @mark: show me the code , change the world */ public class RoundRobin { private static Integer pos = 0; public static String getServer() { // 重建一个Map，避免服务器的上下线导致的并发问题 Map<String, Integer> serverMap = new HashMap(16); serverMap.putAll(Servers.serverWeightMap); // 取得Server地址List Set<String> keySet = serverMap.keySet(); List<String> keyList = new ArrayList(); keyList.addAll(keySet); String server = null; // 更好的实现使用cas ,这里简单演示, 先使用锁，Atomic也可以 synchronized (pos) { if (pos > keySet.size()) { pos = 0; } server = keyList.get(pos); pos++; } return server; } }

由于serverWeightMap中的地址列表是动态的，随时可能有机器上线、下线或者宕机，因此为了避免可能出现的并发问题，方法内部要新建局部变量serverMap，现将serverMap中的内容复制到线程本地，以避免被多个线程修改。

这样可能会引入新的问题，复制以后serverWeightMap的修改无法反映给serverMap，也就是说这一轮选择服务器的过程中，新增服务器或者下线服务器，负载均衡算法将无法获知。新增无所谓，如果有服务器下线或者宕机，那么可能会访问到不存在的地址。因此，服务调用端需要有相应的容错处理，比如重新发起一次server选择并调用。

对于当前轮询的位置变量pos，为了保证服务器选择的顺序性，需要在操作时对其加锁，使得同一时刻只能有一个线程可以修改pos的值，否则当pos变量被并发修改，则无法保证服务器选择的顺序性，甚至有可能导致keyList数组越界。

轮询法的优点在于：试图做到请求转移的绝对均衡。

该版本轮询法的缺点在于：为了做到请求转移的绝对均衡，必须付出相当大的代价，因为为了保证pos变量修改的互斥性，需要引入重量级的悲观锁synchronized，这将会导致该段轮询代码的并发吞吐量发生明显的下降。

随机（Random）

通过系统的随机算法，根据后端服务器的列表大小值来随机选取其中的一台服务器进行访问。由概率统计理论可以得知，随着客户端调用服务端的次数增多，其实际效果越来越接近于平均分配调用量到后端的每一台服务器，也就是轮询的结果。

package com.artisan.lb; import java.util.ArrayList; import java.util.HashMap; import java.util.Map; import java.util.Set; /** * @author 小工匠 * @version 1.0 * @mark: show me the code , change the world */ public class Random { public static String getServer() { // 重建一个Map，避免服务器的上下线导致的并发问题 Map<String, Integer> serverMap = new HashMap(16); serverMap.putAll(Servers.serverWeightMap); // 取得Server地址List Set<String> keySet = serverMap.keySet(); ArrayList<String> keyList = new ArrayList<String>(); keyList.addAll(keySet); java.util.Random random = new java.util.Random(); int randomPos = random.nextInt(keyList.size()); return keyList.get(randomPos); } }

整体代码思路和轮询法一致，先重建serverMap，再获取到server列表。在选取server的时候，通过Random的nextInt方法取0~keyList.size()区间的一个随机值，从而从服务器列表中随机获取到一台服务器地址进行返回。基于概率统计的理论，吞吐量越大，随机算法的效果越接近于轮询算法的效果。

源地址哈希（Hash）

源地址哈希的思想是根据获取客户端的IP地址，通过哈希函数计算得到的一个数值，用该数值对服务器列表的大小进行取模运算，得到的结果便是客服端要访问服务器的序号。采用源地址哈希法进行负载均衡，同一IP地址的客户端，当后端服务器列表不变时，它每次都会映射到同一台后端服务器进行访问。

package com.artisan.lb; import java.util.ArrayList; import java.util.HashMap; import java.util.Map; import java.util.Set; /** * @author 小工匠 * @version 1.0 * @description: * @mark: show me the code , change the world */ public class Hash { public static String getServer() { // 重建一个Map，避免服务器的上下线导致的并发问题 Map<String, Integer> serverMap = new HashMap(16); serverMap.putAll(Servers.serverWeightMap); // 取得Server地址List Set<String> keySet = serverMap.keySet(); ArrayList<String> keyList = new ArrayList<String>(); keyList.addAll(keySet); // 在Web应用中可通过HttpServlet的getRemoteIp方法获取 String remoteIp = "127.0.0.1"; int hashCode = remoteIp.hashCode(); int serverListSize = keyList.size(); int serverPos = hashCode % serverListSize; return keyList.get(serverPos); } }

路由选择部分：通过客户端的ip也就是remoteIp，取得它的Hash值，对服务器列表的大小取模，结果便是选用的服务器在服务器列表中的索引值。

源地址哈希法的优点在于：保证了相同客户端IP地址将会被哈希到同一台后端服务器，直到后端服务器列表变更。根据此特性可以在服务消费者与服务提供者之间建立有状态的session会话。

源地址哈希算法的缺点在于：除非集群中服务器的非常稳定，基本不会上下线，否则一旦有服务器上线、下线，那么通过源地址哈希算法路由到的服务器是服务器上线、下线前路由到的服务器的概率非常低，如果是session则取不到session，如果是缓存则可能引发”雪崩”。

加权轮询（Weight Round Robin）

不同的后端服务器可能机器的配置和当前系统的负载并不相同，因此它们的抗压能力也不相同。给配置高、负载低的机器配置更高的权重，让其处理更多的请；而配置低、负载高的机器，给其分配较低的权重，降低其系统负载，加权轮询能很好地处理这一问题，并将请求顺序且按照权重分配到后端

package com.artisan.lb; import java.util.*; /** * @author 小工匠 * @version 1.0 * @description: 加权轮询（Weight Round Robin）法 * @mark: show me the code , change the world */ public class WeightRoundRobin { private static Integer pos; public static String getServer() { // 重建一个Map，避免服务器的上下线导致的并发问题 Map<String, Integer> serverMap = new HashMap(16); serverMap.putAll(Servers.serverWeightMap); // 取得Server地址List Set<String> keySet = serverMap.keySet(); Iterator<String> iterator = keySet.iterator(); List<String> serverList = new ArrayList<String>(); while (iterator.hasNext()) { String server = iterator.next(); int weight = serverMap.get(server); for (int i = 0; i < weight; i++) { serverList.add(server); } } String server = null; synchronized (pos) { if (pos > keySet.size()) { pos = 0; } server = serverList.get(pos); pos++; } return server; } }

与轮询法类似，只是在获取服务器地址之前增加了一段权重计算的代码，根据权重的大小，将地址重复地增加到服务器地址列表中，权重越大，该服务器每轮所获得的请求数量越多。

加权随机（Weight Random）

与加权轮询法一样，加权随机法也根据后端机器的配置，系统的负载分配不同的权重。不同的是，它是按照权重随机请求后端服务器，而非顺序。

package com.artisan.lb; import java.util.*; /** * @author 小工匠 * @version 1.0 * @description: 加权随机（Weight Random）法 * @date 2022/4/30 22:30 * @mark: show me the code , change the world */ public class WeightRandom { public static String getServer() { // 重建一个Map，避免服务器的上下线导致的并发问题 Map<String, Integer> serverMap = new HashMap(16); serverMap.putAll(Servers.serverWeightMap); // 取得Server地址List Set<String> keySet = serverMap.keySet(); Iterator<String> iterator = keySet.iterator(); List<String> serverList = new ArrayList(); while (iterator.hasNext()) { String server = iterator.next(); int weight = serverMap.get(server); for (int i = 0; i < weight; i++) { serverList.add(server); } } java.util.Random random = new java.util.Random(); int randomPos = random.nextInt(serverList.size()); return serverList.get(randomPos); } }

相当于是随机法和加权轮询法的结合。

最小连接数（Least Connections）

最小连接数算法比较灵活和智能，由于后端服务器的配置不尽相同，对于请求的处理有快有慢，它是根据后端服务器当前的连接情况，动态地选取其中当前

积压连接数最少的一台服务器来处理当前的请求，尽可能地提高后端服务的利用效率，将负责合理地分流到每一台服务器。

前面几种方法费尽心思来实现服务消费者请求次数分配的均衡，当然这么做是没错的，可以为后端的多台服务器平均分配工作量，最大程度地提高服务器的利用率，但是实际情况是否真的如此？实际情况中，请求次数的均衡真的能代表负载的均衡吗？这是一个值得思考的问题。

再换一个角度来说就是：以后端服务器的视角来观察系统的负载，而非请求发起方来观察。最小连接数法便属于此类。

最小连接数算法比较灵活和智能，由于后端服务器的配置不尽相同，对于请求的处理有快有慢，它正是根据后端服务器当前的连接情况，动态地选取其中当前积压连接数最少的一台服务器来处理当前请求，尽可能地提高后端服务器的利用效率，将负载合理地分流到每一台机器。由于最小连接数设计服务器连接数的汇总和感知，设计与实现较为繁琐。

可以参考Dubbo 的【最小活跃数负载均衡】

public class LeastActiveLoadBalance extends AbstractLoadBalance { public static final String NAME = "leastactive"; private final Random random = new Random(); @Override protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) { int length = invokers.size(); // 最小的活跃数 int leastActive = -1; // 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; // 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]; int totalWeight = 0; // 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; boolean sameWeight = true; // 遍历 invokers 列表 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(); // 获取权重 - ?? int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT); // 发现更小的活跃数，重新开始 if (leastActive == -1 || active < leastActive) { // 使用当前活跃数 active 更新最小活跃数 leastActive leastActive = active; // 更新 leastCount 为 1 leastCount = 1; // 记录当前下标值到 leastIndexs 中 leastIndexs[0] = i; totalWeight = weight; firstWeight = weight; sameWeight = true; // 当前 Invoker 的活跃数 active 与最小活跃数 leastActive 相同 } else if (active == leastActive) { // 在 leastIndexs 中记录下当前 Invoker 在 invokers 集合中的下标 leastIndexs[leastCount++] = i; // 累加权重 totalWeight += weight; // 检测当前 Invoker 的权重与 firstWeight 是否相等， // 不相等则将 sameWeight 置为 false if (sameWeight && i > 0 && weight != firstWeight) { sameWeight = false; } } } // 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) { 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) { // 随机生成一个 [0, totalWeight) 之间的数字 int offsetWeight = random.nextInt(totalWeight); // 循环让随机数减去具有最小活跃数的 Invoker 的权重值， // 当 offset 小于等于0时，返回相应的 Invoker for (int i = 0; i < leastCount; i++) { int leastIndex = leastIndexs[i]; // 获取权重值，并让随机数减去权重值 - ?? offsetWeight -= getWeight(invokers.get(leastIndex), invocation); if (offsetWeight <= 0) return invokers.get(leastIndex); } } // 如果权重相同或权重为0时，随机返回一个 Invoker return invokers.get(leastIndexs[random.nextInt(leastCount)]); } }