dubbo的负载均衡 dubbo

LoadBalance LoadBalance 中文意思为负载均衡，它的职责是将网络请求，或者其他形式的负载“均摊”到不同的机器上。避免集群中部分服务器压力过大，而另一些服务器比较空闲的情况。通过负载均衡，可以让每台服务器获取到适合自己处理能力的负载。在为高负载服务器分流的同时，还可以避免资源浪费，一举两得。负载均衡可分为软件负载均衡和硬件负载均衡
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
【dubbo的负载均衡】dubbo常用的负载均衡算法

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

在集群容错流程中，首先经过Directory获取所有的Invoker列表，然后经过Router根据路由规则过滤Invoker,最后幸存下的Invoker需要经过负载均衡后，选出最终要调用的Invoker
META-INF/dubbo/internal/org.apache.dubbo.rpc.cluster.LoadBalance

random=org.apache.dubbo.rpc.cluster.loadbalance.RandomLoadBalance roundrobin=org.apache.dubbo.rpc.cluster.loadbalance.RoundRobinLoadBalance leastactive=org.apache.dubbo.rpc.cluster.loadbalance.LeastActiveLoadBalance consistenthash=org.apache.dubbo.rpc.cluster.loadbalance.ConsistentHashLoadBalance

AbstractLoadBalance
负载均衡的的抽象了类，封装了基本实现

public abstract class AbstractLoadBalance implements LoadBalance { // 计算服务权重 static int calculateWarmupWeight(int uptime, int warmup, int weight) { // 计算权重这个比较厉害 // 随着服务运行时间uptime增大，权重计算值ww会慢慢接近配置weight int ww = (int) ( uptime / ((float) warmup / weight)); return ww < 1 ? 1 : (Math.min(ww, weight)); } @Override public Invoker select(List> invokers, URL url, Invocation invocation) { if (CollectionUtils.isEmpty(invokers)) { return null; } // 如果invokers列表中仅有一个Invoker,直接返回即可，无需进行负载 if (invokers.size() == 1) { return invokers.get(0); } // 调用doSelect方法进行负载均衡，该方法为抽象方法，有子类实现 return doSelect(invokers, url, invocation); } protected abstract Invoker doSelect(List> invokers, URL url, Invocation invocation); // 计算权重 int getWeight(Invoker invoker, Invocation invocation) { int weight = 0; URL url = invoker.getUrl(); // Multiple registry scenario, load balance among multiple registries. if (url.getServiceInterface().equals("org.apache.dubbo.registry.RegistryService")) { weight = url.getParameter(REGISTRY_KEY + "." + WEIGHT_KEY, DEFAULT_WEIGHT); } else { // 从url中获取权重weight weight = url.getMethodParameter(invocation.getMethodName(), WEIGHT_KEY, DEFAULT_WEIGHT); if (weight > 0) { // 获取服务提供者启动时间戳 long timestamp = invoker.getUrl().getParameter(TIMESTAMP_KEY, 0L); if (timestamp > 0L) { // 计算服务提供者运行时长 long uptime = System.currentTimeMillis() - timestamp; if (uptime < 0) { return 1; } // 获取服务预热时间，默认为10分钟 int warmup = invoker.getUrl().getParameter(WARMUP_KEY, 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) { // 重新计算服务权重 weight = calculateWarmupWeight((int)uptime, warmup, weight); } } } } return Math.max(weight, 0); } }

RandomLoadBalance 算法思想
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

public static final String NAME = "random"; protected Invoker doSelect(List> invokers, URL url, Invocation invocation) { // Number of invokers int length = invokers.size(); // Every invoker has the same weight? boolean sameWeight = true; // the weight of every invokers int[] weights = new int[length]; // the first invoker's weight int firstWeight = getWeight(invokers.get(0), invocation); weights[0] = firstWeight; // The sum of weights int totalWeight = firstWeight; // 计算总权重 // 检查每个服务的权重是否相同 for (int i = 1; i < length; i++) { int weight = getWeight(invokers.get(i), invocation); weights[i] = weight; // 累加权重 totalWeight += weight; if (sameWeight && weight != firstWeight) { sameWeight = false; } } // 服务提供者的权重不相等的情况 if (totalWeight > 0 && !sameWeight) { // 随机获取一个[0,totalWeight)区间的数字 int offset = ThreadLocalRandom.current().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 (int i = 0; i < length; i++) { // 让随机值 offset 减去权重值 offset -= weights[i]; if (offset < 0) { // 返回相应的 Invoker return invokers.get(i); } } } // 所有的服务提供者权重相等，直接随机返回一个 return invokers.get(ThreadLocalRandom.current().nextInt(length)); }

LeastActiveLoadBalance 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

最小活跃数负载均衡算法: 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

LeastActiveLoadBalance 是基于加权最小活跃数算法实现的

public static final String NAME = "leastactive"; @Override protected Invoker doSelect(List> invokers, URL url, Invocation invocation) { // Number of invokers 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[] leastIndexes = new int[length]; // the weight of every invokers int[] weights = new int[length]; // The sum of the warmup weights of all the least active invokers 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; // Every least active invoker has the same weight value? boolean sameWeight = true; // Filter out all the least active invokers for (int i = 0; i < length; i++) { Invoker invoker = invokers.get(i); // Get the active number of the invoker // 获取 Invoker 对应的活跃数 int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive(); // Get the weight of the invoker's configuration. The default value is 100. int afterWarmup = getWeight(invoker, invocation); // save for later use weights[i] = afterWarmup; // If it is the first invoker or the active number of the invoker is less than the current least active number // 发现更小的活跃数，重新开始 if (leastActive == -1 || active < leastActive) { // Reset the active number of the current invoker to the least active number // 使用当前活跃数active更新最小活跃数据leastActive leastActive = active; // Reset the number of least active invokers leastCount = 1; // Put the first least active invoker first in leastIndexes // 记录当前下标值到leastIndexs中 leastIndexes[0] = i; // Reset totalWeight totalWeight = afterWarmup; // Record the weight the first least active invoker firstWeight = afterWarmup; // Each invoke has the same weight (only one invoker here) sameWeight = true; // If current invoker's active value equals with leaseActive, then accumulating. } else if (active == leastActive) { // 当前Invoker的活跃数active与最小活跃数leastActive相同 // Record the index of the least active invoker in leastIndexes order // 在 leastIndexs 中记录下当前 Invoker 在 invokers 集合中的下标 leastIndexes[leastCount++] = i; // Accumulate the total weight of the least active invoker // 在 leastIndexs 中记录下当前 Invoker 在 invokers 集合中的下标 totalWeight += afterWarmup; // 累加权重 // If every invoker has the same 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 && afterWarmup != firstWeight) { sameWeight = false; } } } // Choose an invoker from all the least active invokers // 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(leastIndexes[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 [0, totalWeight) 之间的数字 int offsetWeight = ThreadLocalRandom.current().nextInt(totalWeight); // Return a invoker based on the random value. // 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 = leastIndexes[i]; // 获取权重值，并让随机数减去权重值 - ?? offsetWeight -= weights[leastIndex]; if (offsetWeight < 0) { return invokers.get(leastIndex); } } } // If all invokers have the same weight value or totalWeight=0, return evenly. // 如果权重相同或权重为0时，随机返回一个 Invoker return invokers.get(leastIndexes[ThreadLocalRandom.current().nextInt(leastCount)]); }

ConsistentHashLoadBalance 一致性 hash 算法,哈希环

public class ConsistentHashLoadBalance extends AbstractLoadBalance { public static final String NAME = "consistenthash"; /** * Hash nodes name */ public static final String HASH_NODES = "hash.nodes"; /** * Hash arguments name */ public static final String HASH_ARGUMENTS = "hash.arguments"; // 一致性哈希的选择器 private final ConcurrentMap, ConsistentHashSelector> selectors = new ConcurrentHashMap, ConsistentHashSelector>(); @SuppressWarnings("unchecked") @Override protected Invoker doSelect(List> invokers, URL url, Invocation invocation) { String methodName = RpcUtils.getMethodName(invocation); String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName; // 获取 invokers 原始的 hashcode int identityHashCode = System.identityHashCode(invokers); ConsistentHashSelector selector = (ConsistentHashSelector) selectors.get(key); // 如果 invokers 是一个新的 List 对象，意味着服务提供者数量发生了变化，可能新增也可能减少了。 // 此时 selector.identityHashCode != identityHashCode 条件成立 if (selector == null || selector.identityHashCode != identityHashCode) { selectors.put(key, new ConsistentHashSelector(invokers, methodName, identityHashCode)); selector = (ConsistentHashSelector) selectors.get(key); } // 调用 ConsistentHashSelector 的 select 方法选择 Invoker return selector.select(invocation); }private static final class ConsistentHashSelector { // 使用 TreeMap 存储 Invoker 虚拟节点 private final TreeMap> virtualInvokers; private final int replicaNumber; private final int identityHashCode; private final int[] argumentIndex; ConsistentHashSelector(List> invokers, String methodName, int identityHashCode) { this.virtualInvokers = new TreeMap>(); 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 = COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, HASH_ARGUMENTS, "0")); argumentIndex = new int[index.length]; for (int i = 0; i < index.length; i++) { argumentIndex[i] = Integer.parseInt(index[i]); } for (Invoker 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); } } } }public Invoker 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)); } private String toKey(Object[] args) { StringBuilder buf = new StringBuilder(); for (int i : argumentIndex) { if (i >= 0 && i < args.length) { buf.append(args[i]); } } return buf.toString(); }private Invoker 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> entry = virtualInvokers.ceilingEntry(hash); // 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 Invoker return entry.getValue(); }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; }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 = value.getBytes(StandardCharsets.UTF_8); md5.update(bytes); return md5.digest(); }}}

RoundRobinLoadBalance 加权轮询负载均衡

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 static final int RECYCLE_PERIOD = 60000; protected static class WeightedRoundRobin { // 服务提供者权重 private int weight; // 当前权重 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; // 初始情况下，current = 0 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; } } // 嵌套 Map 结构，存储的数据结构示例如下： // { //"UserService.query": { //"url1": WeightedRoundRobin@123, //"url2": WeightedRoundRobin@456, //}, //"UserService.update": { //"url1": WeightedRoundRobin@123, //"url2": WeightedRoundRobin@456, //} // } // 最外层为服务类名 + 方法名，第二层为 url 到 WeightedRoundRobin 的映射关系。 // 这里我们可以将 url 看成是服务提供者的 id private ConcurrentMap, ConcurrentMap, WeightedRoundRobin>> methodWeightMap = new ConcurrentHashMap, ConcurrentMap, WeightedRoundRobin>>(); private AtomicBoolean updateLock = new AtomicBoolean(); protected Collection> getInvokerAddrList(List> invokers, Invocation invocation) { String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName(); Map, WeightedRoundRobin> map = methodWeightMap.get(key); if (map != null) { return map.keySet(); } return null; }@Override protected Invoker doSelect(List> 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, WeightedRoundRobin> map = methodWeightMap.get(key); if (map == null) { methodWeightMap.putIfAbsent(key, new ConcurrentHashMap, WeightedRoundRobin>()); map = methodWeightMap.get(key); } int totalWeight = 0; long maxCurrent = Long.MIN_VALUE; long now = System.currentTimeMillis(); Invoker selectedInvoker = null; 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 invoker : invokers) { String identifyString = invoker.getUrl().toIdentityString(); WeightedRoundRobin weightedRoundRobin = map.get(identifyString); int weight = getWeight(invoker, invocation); // 检测当前 Invoker 是否有对应的 WeightedRoundRobin，没有则创建 if (weightedRoundRobin == null) { weightedRoundRobin = new WeightedRoundRobin(); // 设置 Invoker 权重 weightedRoundRobin.setWeight(weight); // 存储 url 唯一标识 identifyString 到 weightedRoundRobin 的映射关系 map.putIfAbsent(identifyString, weightedRoundRobin); } // Invoker 权重不等于 WeightedRoundRobin 中保存的权重，说明权重变化了，此时进行更新 if (weight != weightedRoundRobin.getWeight()) { //weight changed weightedRoundRobin.setWeight(weight); } // 让 current 加上自身权重，等价于 current += weight long cur = weightedRoundRobin.increaseCurrent(); // 设置 lastUpdate，表示近期更新过 weightedRoundRobin.setLastUpdate(now); // 找出最大的 current if (cur > maxCurrent) { maxCurrent = cur; // 将具有最大 current 权重的 Invoker 赋值给 selectedInvoker selectedInvoker = invoker; // 将 Invoker 对应的 weightedRoundRobin 赋值给 selectedWRR，留作后用 selectedWRR = weightedRoundRobin; } // 计算权重总和 totalWeight += weight; } // 对进行检查，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, WeightedRoundRobin> newMap = new ConcurrentHashMap<>(map); // 遍历修改，即移除过期记录 newMap.entrySet().removeIf(item -> now - item.getValue().getLastUpdate() > RECYCLE_PERIOD); // 更新引用 methodWeightMap.put(key, newMap); } finally { updateLock.set(false); } } } if (selectedInvoker != null) { // 让 current 减去权重总和，等价于 current -= totalWeight selectedWRR.sel(totalWeight); // 返回具有最大 current 的 Invoker return selectedInvoker; } // should not happen here return invokers.get(0); }}