Dubbo中的负载均衡算法之平滑加权轮询算法源码解析_dubbo权重 轮询

平滑加权轮询

轮询算法

轮询算法很简单，就是每台服务器轮流提供服务，代码如下：

private static final List<String> SERVERS;

private static final AtomicInteger OFFSET = new AtomicInteger(0);

static {
    SERVERS = Lists.newArrayList("A", "B", "C");
}

private static String doSelect() {
    if (OFFSET.get() > SERVERS.size() - 1) {
        OFFSET.set(0);
    }
    return SERVERS.get(OFFSET.getAndIncrement());
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14

加权轮询

简单轮询算法和简单随机算法一样，面临的一个问题就是，有的机器性能好，有的机器性能差，如何能保证能者多劳呢？就需要给每个服务器加一个权重，让服务的调度机会能按照其权重的比例来，最简单的实现是复制法。假设有三台服务器servers = ["A", "B", "C"]，其中每台服务器的权重为：weights = [6, 3, 1]，则我们可以按照权重复制一个数组["A","A","A","A","A","A","B","B","B","C"]，让其按照上述的代码被调度即可，但是这种算法有一个缺点是对内存的消耗较大。

我们看一种更好的实现方法，我们这里还是建一个一维的坐标轴，标记0-9十个节点，某一次的请求，如果落在[0,5)的区间之内，则选择A，如果落在[6-8)的区间内则选择B，如果落在[9,10)的区间内，则选择C。那么如何让某一次的请求能成为对应区间的一个索引数字呢，之前随机算法我们用的是随机数生成的，这里轮询算法则不能再用随机数了，我们需要为每次请求设置一个编号，这个编号应该是递增的，是全局的，也应该是线程安全的，所以这里我们用AtomicInteger来记录。随着请求的次数越来越多，这个编号必然会超过10，最终到达100,1000，如何映射到0-9的区间呢，可以通过取余的方式来对这个值进行缩小，保证他在0-9之间。取余是一个常用的技巧，在hashmap等hash表的设计中经常用到。

我们以上面的三台服务器权重为例，模拟建一个坐标轴：0-----6-----9-----10，模拟一下我们的算法

1. 第一次调用，1 % 10 = 1，1在(0-6]的区间，则选择服务器A
2. 第一次调用，2 % 10 = 2，2在(0-6]的区间，则选择服务器A
3. 第六次调用，6 % 10 = 6，6在(0-6]的区间，则选择服务器A
4. 第七次调用，7 % 10 = 7，7不在(0-6]的区间，在(6-9]的区间，则选择服务器B
5. 第十次调用，10 % 10 = 0，0作为一个特殊的位置，选择服务器C

private static final AtomicInteger NUM = new AtomicInteger(1);

private static final List<String> SERVERS;

private static final Map<String, Integer> SERVER_WEIGHT_MAP;

static {
    SERVERS = Lists.newArrayList(A", "B", "C");
    SERVER_WEIGHT_MAP = new LinkedHashMap<>();
    SERVER_WEIGHT_MAP.put("A", 6);
    SERVER_WEIGHT_MAP.put("B", 3);
    SERVER_WEIGHT_MAP.put("C", 1);
}

private static String doSelectByWeight() {
    int length = SERVER_WEIGHT_MAP.keySet().size();

    boolean sameWeight = true;
    int totalWeight = 0;

    for (int i = 0; i < length; i++) {
        int weight = (int) SERVER_WEIGHT_MAP.values().toArray()[i];
        totalWeight += weight;
        if (sameWeight && totalWeight != weight * (i + 1)) {
            sameWeight = false;
        }
    }

    if (!sameWeight) {
        int offset = NUM.getAndIncrement() % totalWeight;
        offset = offset == 0 ? totalWeight : offset;
        Set<Map.Entry<String, Integer>> entries = SERVER_WEIGHT_MAP.entrySet();

        for (Map.Entry<String, Integer> entry : entries) {
            Integer weight = entry.getValue();
            // 第七次调用，7 % 10  = 7，7不在(0-6]的区间，在(6-9]的区间，则选择服务器B，这种直观理解好理解，当时用代码实现有些复杂，可以用另一种思路来实现
            // ex: 计算的offset = 6，然后遍历服务器列表，首先得到服务器A，6是否小于A的权重，是则选择A，结束程序
            // 否的话，应该是比6大了，那么到底是选择B，还是选择C呢，假设offset = 7，那么我们让他减去A的权重，看得到的结果是否小于B的权重，是则选中
            // 否的话，在减去B的权重，看得到的结果是否小于C的权重，以此类推
            if (offset <= weight) {
                return entry.getKey();
            }
            offset -= weight;
        }
    }
    return SERVERS.get(NUM.getAndIncrement() % length);
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47

平滑加权轮询

上述算法虽然实现了加权轮询的效果，但是依然有一个缺点就是，如果某一个服务器权重很大，那么他就需要连续的处理请求，比如上面例子中，如果连续调用10次，则依次被选中的服务器是：AAAAAABBBC。这就导致前期服务器A的压力较大，而B和C又处于闲置状态，无法分担压力，我们理想的可能是保证好10次调用，A需要被调用6次，B需要被调用3次，C需要被调用1次就行，顺序其实没必要，而且调用的顺序乱一点，可能才是我们期望的结果，比如：ABAABACABA这样。这就需要用到另一种算法，平滑加权轮询算法

平滑加权轮询算法的思路如下：

1. 每一个server对应两个权重，weight和currentWeight，weight是固定的，currentWeight初始值为0，后续是动态调整的
2. 新的请求访问到，调整每个server的currentWeight = currentWeight + weight，
3. currentWeight最大的server被选中
4. 调整currentWeight = currentWeight - 总权重（只调整最大权重）

代码实现如下：

private static final Map<String, WeightedRoundRobin> WEIGHT_MAP;

    static {
        WEIGHT_MAP = new LinkedHashMap<>();
        WEIGHT_MAP.put("192.168.0.1", new WeightedRoundRobin("192.168.0.1", 6, 0));
        WEIGHT_MAP.put("192.168.0.2", new WeightedRoundRobin("192.168.0.2", 3, 0));
        WEIGHT_MAP.put("192.168.0.3", new WeightedRoundRobin("192.168.0.3", 1, 0));
    }

    @Data
    static class WeightedRoundRobin {
        private String ip;
        private int weight;
        private int current;

        public WeightedRoundRobin (String ip, int weight, int current) {
            this.ip = ip;
            this.weight = weight;
            this.current = current;
        }
    }


    private static String doSelectByWeightV2() {
        Integer totalWeight = WEIGHT_MAP.values().stream().map(WeightedRoundRobin::getWeight).reduce(0, Integer::sum);

        // 1. current_weight += weight
        WEIGHT_MAP.values().forEach(weight -> weight.setCurrent(weight.getCurrent() + weight.getWeight()));

        // 2. select max
        WeightedRoundRobin maxCurrentWeight = WEIGHT_MAP.values().stream().
                max(Comparator.comparing(WeightedRoundRobin::getCurrent)).get();

        // 3. max(currentWeight) -= sum(weight)
        maxCurrentWeight.setCurrent(maxCurrentWeight.getCurrent() - totalWeight);

        // 返回maxCurrentWeight所对应的ip
        return maxCurrentWeight.getIp();
    }
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

dubbo中的代码实现如下：

public class RoundRobinLoadBalance extends AbstractLoadBalance {
    public static final String NAME = "roundrobin";

    private static final int RECYCLE_PERIOD = 60000;

    protected static class WeightedRoundRobin {
        private int weight;
        private AtomicLong current = new AtomicLong(0);
        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;
        }
    }

    private ConcurrentMap<String, ConcurrentMap<String, WeightedRoundRobin>> methodWeightMap = new ConcurrentHashMap<String, ConcurrentMap<String, WeightedRoundRobin>>();

    /**
     * get invoker addr list cached for specified invocation
     * <p>
     * <b>for unit test only</b>
     *
     * @param invokers
     * @param invocation
     * @return
     */
    protected <T> Collection<String> getInvokerAddrList(List<Invoker<T>> invokers, Invocation invocation) {
        String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();
        Map<String, WeightedRoundRobin> map = methodWeightMap.get(key);
        if (map != null) {
            return map.keySet();
        }
        return null;
    }

    @Override
    protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
        String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();
        ConcurrentMap<String, WeightedRoundRobin> map = methodWeightMap.computeIfAbsent(key, k -> new ConcurrentHashMap<>());
        int totalWeight = 0;
        long maxCurrent = Long.MIN_VALUE;
        long now = System.currentTimeMillis();
        Invoker<T> selectedInvoker = null;
        WeightedRoundRobin selectedWRR = null;
        for (Invoker<T> invoker : invokers) {
            String identifyString = invoker.getUrl().toIdentityString();
            int weight = getWeight(invoker, invocation);
            // 1. 遍历所有invoker，初始化权重
            WeightedRoundRobin weightedRoundRobin = map.computeIfAbsent(identifyString, k -> {
                WeightedRoundRobin wrr = new WeightedRoundRobin();
                wrr.setWeight(weight);
                return wrr;
            });

            if (weight != weightedRoundRobin.getWeight()) {
                //weight changed
                weightedRoundRobin.setWeight(weight);
            }
            // 2. 设置current_weight += weight
            long cur = weightedRoundRobin.increaseCurrent();
            weightedRoundRobin.setLastUpdate(now);
            // 3. 完成一次遍历之后，找到max(currentWeight)
            if (cur > maxCurrent) {
                maxCurrent = cur;
                selectedInvoker = invoker;
                selectedWRR = weightedRoundRobin;
            }
            totalWeight += weight;
        }
        if (invokers.size() != map.size()) {
            map.entrySet().removeIf(item -> now - item.getValue().getLastUpdate() > RECYCLE_PERIOD);
        }
        if (selectedInvoker != null) {
            // 4. max(currentWeight) -= sum(weight)
            selectedWRR.sel(totalWeight);
            return selectedInvoker;
        }
        // should not happen here
        return invokers.get(0);
    }

}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103

※注：平滑加权轮询算法不是dubbo首次创建并提出的，应该是nginx最初提出的，nginx实现参考：ngx_http_upstream_init_round_robin.c，关于平滑加权轮询的数学证明参考：nginx平滑的基于权重轮询算法分析 | tenfy’ blog