dubbo的负载均衡算法
Dubbo 需要对服务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。服务提供者负载过大，会导致部分请求超时。因此将负载均衡到每个服务提供者上，是非常必要的。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，以及基于加权轮询算法的 RoundRobinLoadBalance。
LoadBalance
LoadBalance是一个SPI扩展接口
@SPI("random")public interface LoadBalance { @Adaptive({"loadbalance"}) Invoker select(List > var1, URL var2, Invocation var3) throws RpcException;} 
LoadBalance有4种实现，其中AbstractLoadBalance直接实现LoadBalance，其余实现类继承AbstractLoadBalance
AbstractLoadBalance
public abstract class AbstractLoadBalance implements LoadBalance { public AbstractLoadBalance() { } static int calculateWarmupWeight(int uptime, int warmup, int weight) { // 计算权重，下面代码逻辑上形似于 (uptime / warmup) * weight。 // 随着服务运行时间 uptime 增大，权重计算值 ww 会慢慢接近配置值 weight int ww = (int)((float)uptime / ((float)warmup / (float)weight)); return ww < 1 ? 1 : (ww > weight ? weight : ww); } public Invoker select(List > invokers, URL url, Invocation invocation) { if (invokers != null && invokers.size() != 0) { return invokers.size() == 1 ? (Invoker)invokers.get(0) : this.doSelect(invokers, url, invocation); } else { return null; } } protected abstract Invoker doSelect(List > var1, URL var2, Invocation var3); protected int getWeight(Invoker invoker, Invocation invocation) { // 从 url 中获取权重 weight 配置值 int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), "weight", 100); if (weight > 0) { // 获取服务提供者启动时间戳 即开始运行的时间戳 long timestamp = invoker.getUrl().getParameter("remote.timestamp", 0L); if (timestamp > 0L) { // 计算服务提供者运行时长 int uptime = (int)(System.currentTimeMillis() - timestamp); // 获取服务预热时间，默认为10分钟 int warmup = invoker.getUrl().getParameter("warmup", 600000); // 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; }} 该过程主要用于保证当服务运行时长小于服务预热时间时，对服务进行降权，避免让服务在启动之初就处于高负载状态。服务预热是一个优化手段，与此类似的还有 JVM 预热。主要目的是让服务启动后“低功率”运行一段时间，使其效率慢慢提升至最佳状态。
RandomLoadBalance
RandomLoadBalance 是加权随机算法的具体实现，它的算法思想很简单。假设我们有一组服务器 servers = [A, B, C]，他们对应的权重为 weights = [5, 3, 2]，权重总和为10。现在把这些权重值平铺在一维坐标值上，[0, 5) 区间属于服务器 A，[5, 8) 区间属于服务器 B，[8, 10) 区间属于服务器 C。接下来通过随机数生成器生成一个范围在 [0, 10) 之间的随机数，然后计算这个随机数会落到哪个区间上。比如数字3会落到服务器 A 对应的区间上，此时返回服务器 A 即可。权重越大的机器，在坐标轴上对应的区间范围就越大，因此随机数生成器生成的数字就会有更大的概率落到此区间内。只要随机数生成器产生的随机数分布性很好，在经过多次选择后，每个服务器被选中的次数比例接近其权重比例。比如，经过一万次选择后，服务器 A 被选中的次数大约为5000次，服务器 B 被选中的次数约为3000次，服务器 C 被选中的次数约为2000次。
public class RandomLoadBalance extends AbstractLoadBalance { public static final String NAME = "random"; private final Random random = new Random(); public RandomLoadBalance() { } protected Invoker doSelect(List > invokers, URL url, Invocation invocation) { int length = invokers.size(); int totalWeight = 0; boolean sameWeight = true; int offset; int i; // for(offset = 0; offset < length; ++offset) { //获取当前服务提供方的权重 i = this.getWeight((Invoker)invokers.get(offset), invocation); //累加获得总权重 totalWeight += i; //计算是否每个服务提供方权重都相同 if (sameWeight && offset > 0 && i != this.getWeight((Invoker)invokers.get(offset - 1), invocation)) { sameWeight = false; } } // 下面的 if 分支主要用于获取随机数，并计算随机数落在哪个区间上 if (totalWeight > 0 && !sameWeight) { //获得权重区间内随机值 offset = this.random.nextInt(totalWeight); // 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 = [5, 3, 2]，offset = 7。 // 第一次循环，offset - 5 = 2 > 0，即 offset > 5， // 表明其不会落在服务器 A 对应的区间上。 // 第二次循环，offset - 3 = -1 < 0，即 5 < offset < 8， // 表明其会落在服务器 B 对应的区间上 for(i = 0; i < length; ++i) { offset -= this.getWeight((Invoker)invokers.get(i), invocation); if (offset < 0) { return (Invoker)invokers.get(i); } } } // 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 (Invoker)invokers.get(this.random.nextInt(length)); }} RandomLoadBalance 的算法思想比较简单，在经过多次请求后，能够将调用请求按照权重值进行“均匀”分配。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。这个缺点并不是很严重，多数情况下可以忽略。RandomLoadBalance 是一个简单，高效的负载均衡实现，因此 Dubbo 选择它作为缺省实现。 问题：deSelect方法的参数invokers固定时 可以实现以上的"均匀"分配吧
LeastActiveLoadBalance
LeastActiveLoadBalance 翻译过来是最小活跃数负载均衡。活跃调用数越小，表明该服务提供者效率越高，单位时间内可处理更多的请求。此时应优先将请求分配给该服务提供者。在具体实现中，每个服务提供者对应一个活跃数 active。初始情况下，所有服务提供者活跃数均为0。每收到一个请求，活跃数加1，完成请求后则将活跃数减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、这就是最小活跃数负载均衡算法的基本思想。除了最小活跃数，LeastActiveLoadBalance 在实现上还引入了权重值。所以准确的来说，LeastActiveLoadBalance 是基于加权最小活跃数算法实现的。举个例子说明一下，在一个服务提供者集群中，有两个性能优异的服务提供者。某一时刻它们的活跃数相同，此时 Dubbo 会根据它们的权重去分配请求，权重越大，获取到新请求的概率就越大。如果两个服务提供者权重相同，此时随机选择一个即可。
public class LeastActiveLoadBalance extends AbstractLoadBalance { public static final String NAME = "leastactive"; private final Random random = new Random(); public LeastActiveLoadBalance() { } protected Invoker doSelect(List > invokers, URL url, Invocation invocation) { int length = invokers.size(); int leastActive = -1; int leastCount = 0; int[] leastIndexs = new int[length]; int totalWeight = 0; int firstWeight = 0; boolean sameWeight = true; int offsetWeight; int leastIndex; for(offsetWeight = 0; offsetWeight < length; ++offsetWeight) { Invoker invoker = (Invoker)invokers.get(offsetWeight); leastIndex = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive(); int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), "weight", 100); if (leastActive != -1 && leastIndex >= leastActive) { if (leastIndex == leastActive) { leastIndexs[leastCount++] = offsetWeight; totalWeight += weight; if (sameWeight && offsetWeight > 0 && weight != firstWeight) { sameWeight = false; } } } else { leastActive = leastIndex; leastCount = 1; leastIndexs[0] = offsetWeight; totalWeight = weight; firstWeight = weight; sameWeight = true; } } if (leastCount == 1) { return (Invoker)invokers.get(leastIndexs[0]); } else { if (!sameWeight && totalWeight > 0) { offsetWeight = this.random.nextInt(totalWeight); for(int i = 0; i < leastCount; ++i) { leastIndex = leastIndexs[i]; offsetWeight -= this.getWeight((Invoker)invokers.get(leastIndex), invocation); if (offsetWeight <= 0) { return (Invoker)invokers.get(leastIndex); } } } return (Invoker)invokers.get(leastIndexs[this.random.nextInt(leastCount)]); } }} - 遍历 invokers 列表，寻找活跃数最小的 Invoker
- 如果有多个 Invoker 具有相同的最小活跃数，此时记录下这些 Invoker 在 invokers 集合中的下标，并累加它们的权重，比较它们的权重值是否相等
- 如果只有一个 Invoker 具有最小的活跃数，此时直接返回该 Invoker 即可
- 如果有多个 Invoker 具有最小活跃数，且它们的权重不相等，此时处理方式和 RandomLoadBalance 一致
- 如果有多个 Invoker 具有最小活跃数，但它们的权重相等，此时随机返回一个即可
ConsistentHashLoadBalance
首先根据 ip 或者其他的信息为缓存节点生成一个 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，则为缓存项的 key 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，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。比如下面绿色点对应的缓存项将会被存储到 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最终会存储到 cache-4 节点中。
public class ConsistentHashLoadBalance extends AbstractLoadBalance { private final ConcurrentMap > selectors = new ConcurrentHashMap(); public ConsistentHashLoadBalance() { } protected Invoker doSelect(List > invokers, URL url, Invocation invocation) { String key = ((Invoker)invokers.get(0)).getUrl().getServiceKey() + "." + invocation.getMethodName(); int identityHashCode = System.identityHashCode(invokers); ConsistentHashLoadBalance.ConsistentHashSelector selector = (ConsistentHashLoadBalance.ConsistentHashSelector)this.selectors.get(key); if (selector == null || selector.identityHashCode != identityHashCode) { this.selectors.put(key, new ConsistentHashLoadBalance.ConsistentHashSelector(invokers, invocation.getMethodName(), identityHashCode)); selector = (ConsistentHashLoadBalance.ConsistentHashSelector)this.selectors.get(key); } return selector.select(invocation); } private static final class ConsistentHashSelector { private final TreeMap > virtualInvokers = new TreeMap(); private final int replicaNumber; private final int identityHashCode; private final int[] argumentIndex; ConsistentHashSelector(List > invokers, String methodName, int identityHashCode) { this.identityHashCode = identityHashCode; URL url = ((Invoker)invokers.get(0)).getUrl(); this.replicaNumber = url.getMethodParameter(methodName, "hash.nodes", 160); String[] index = Constants.COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, "hash.arguments", "0")); this.argumentIndex = new int[index.length]; for(int i = 0; i < index.length; ++i) { this.argumentIndex[i] = Integer.parseInt(index[i]); } Iterator i$ = invokers.iterator(); while(i$.hasNext()) { Invoker invoker = (Invoker)i$.next(); String address = invoker.getUrl().getAddress(); for(int i = 0; i < this.replicaNumber / 4; ++i) { byte[] digest = this.md5(address + i); for(int h = 0; h < 4; ++h) { long m = this.hash(digest, h); this.virtualInvokers.put(m, invoker); } } } } public Invoker select(Invocation invocation) { String key = this.toKey(invocation.getArguments()); byte[] digest = this.md5(key); return this.selectForKey(this.hash(digest, 0)); } private String toKey(Object[] args) { StringBuilder buf = new StringBuilder(); int[] arr$ = this.argumentIndex; int len$ = arr$.length; for(int i$ = 0; i$ < len$; ++i$) { int i = arr$[i$]; if (i >= 0 && i < args.length) { buf.append(args[i]); } } return buf.toString(); } private Invoker selectForKey(long hash) { Long key = hash; if (!this.virtualInvokers.containsKey(key)) { SortedMap > tailMap = this.virtualInvokers.tailMap(key); if (tailMap.isEmpty()) { key = (Long)this.virtualInvokers.firstKey(); } else { key = (Long)tailMap.firstKey(); } } Invoker invoker = (Invoker)this.virtualInvokers.get(key); return invoker; } private long hash(byte[] digest, int number) { return ((long)(digest[3 + number * 4] & 255) << 24 | (long)(digest[2 + number * 4] & 255) << 16 | (long)(digest[1 + number * 4] & 255) << 8 | (long)(digest[number * 4] & 255)) & 4294967295L; } private byte[] md5(String value) { MessageDigest md5; try { md5 = MessageDigest.getInstance("MD5"); } catch (NoSuchAlgorithmException var6) { throw new IllegalStateException(var6.getMessage(), var6); } md5.reset(); byte[] bytes; try { bytes = value.getBytes("UTF-8"); } catch (UnsupportedEncodingException var5) { throw new IllegalStateException(var5.getMessage(), var5); } md5.update(bytes); return md5.digest(); } }} doSelect 方法主要做了一些前置工作，比如检测 invokers 列表是不是变动过，以及创建 ConsistentHashSelector。这些工作做完后，接下来开始调用 ConsistentHashSelector 的 select 方法执行负载均衡逻辑。 ConsistentHashSelector 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。需要特别说明的是，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。ConsistentHashLoadBalance 不 关系权重，因此使用时需要注意一下。
RoundRobinLoadBalance
所谓轮询是指将请求轮流分配给每台服务器。举个例子，我们有三台服务器 A、B、C。我们将第一个请求分配给服务器 A，第二个请求分配给服务器 B，第三个请求分配给服务器 C，第四个请求再次分配给服务器 A。这个过程就叫做轮询。轮询是一种无状态负载均衡算法，实现简单，适用于每台服务器性能相近的场景下。但现实情况下，我们并不能保证每台服务器性能均相近。如果我们将等量的请求分配给性能较差的服务器，这显然是不合理的。因此，这个时候我们需要对轮询过程进行加权，以调控每台服务器的负载。经过加权后，每台服务器能够得到的请求数比例，接近或等于他们的权重比。比如服务器 A、B、C 权重比为 5:2:1。那么在8次请求中，服务器 A 将收到其中的5次请求，服务器 B 会收到其中的2次请求，服务器 C 则收到其中的1次请求。
public class RoundRobinLoadBalance extends AbstractLoadBalance { public static final String NAME = "roundrobin"; private final ConcurrentMap<String, AtomicPositiveInteger> sequences = new ConcurrentHashMap();
public RoundRobinLoadBalance() {}protected Invoker doSelect(List > invokers, URL url, Invocation invocation) { String key = ((Invoker)invokers.get(0)).getUrl().getServiceKey() + "." + invocation.getMethodName(); int length = invokers.size(); int maxWeight = 0; int minWeight = 2147483647; LinkedHashMap , RoundRobinLoadBalance.IntegerWrapper> invokerToWeightMap = new LinkedHashMap(); int weightSum = 0; int currentSequence; for(int i = 0; i < length; ++i) { currentSequence = this.getWeight((Invoker)invokers.get(i), invocation); maxWeight = Math.max(maxWeight, currentSequence); minWeight = Math.min(minWeight, currentSequence); if (currentSequence > 0) { invokerToWeightMap.put(invokers.get(i), new RoundRobinLoadBalance.IntegerWrapper(currentSequence)); weightSum += currentSequence; } } AtomicPositiveInteger sequence = (AtomicPositiveInteger)this.sequences.get(key); if (sequence == null) { this.sequences.putIfAbsent(key, new AtomicPositiveInteger()); sequence = (AtomicPositiveInteger)this.sequences.get(key); } currentSequence = sequence.getAndIncrement(); if (maxWeight > 0 && minWeight < maxWeight) { int mod = currentSequence % weightSum; for(int i = 0; i < maxWeight; ++i) { Iterator i$ = invokerToWeightMap.entrySet().iterator(); while(i$.hasNext()) { Entry , RoundRobinLoadBalance.IntegerWrapper> each = (Entry)i$.next(); Invoker k = (Invoker)each.getKey(); RoundRobinLoadBalance.IntegerWrapper v = (RoundRobinLoadBalance.IntegerWrapper)each.getValue(); if (mod == 0 && v.getValue() > 0) { return k; } if (v.getValue() > 0) { v.decrement(); --mod; } } } } return (Invoker)invokers.get(currentSequence % length);}private static final class IntegerWrapper { private int value; public IntegerWrapper(int value) { this.value = value; } public int getValue() { return this.value; } public void setValue(int value) { this.value = value; } public void decrement() { --this.value; }} }