Dubbo 源碼分析 - 集羣容錯之 LoadBalance
1.簡介
LoadBalance 中文意思爲負載均衡，它的職責是將網絡請求，或者其餘形式的負載「均攤」到不一樣的機器上。避免集羣中部分服務器壓力過大，而另外一些服務器比較空閒的狀況。經過負載均衡，可讓每臺服務器獲取到適合本身處理能力的負載。在爲高負載的服務器分流的同時，還能夠避免資源浪費，一箭雙鵰。負載均衡可分爲軟件負載均衡和硬件負載均衡。在咱們平常開發中，通常很難接觸到硬件負載均衡。但軟件負載均衡仍是可以接觸到一些的，好比 Nginx。在 Dubbo 中，也有負載均衡的概念和相應的實現。Dubbo 須要對服務消費者的調用請求進行分配，避免少數服務提供者負載過大。服務提供者負載過大，會致使部分服務調用超時。所以將負載均衡到每一個服務提供者上，是很是必要的。Dubbo 提供了4種負載均衡實現，分別是基於權重隨機算法的 RandomLoadBalance、基於最少活躍調用數算法的 LeastActiveLoadBalance、基於 hash 一致性的 ConsistentHashLoadBalance，以及基於加權輪詢算法的 RoundRobinLoadBalance。這幾個負載均衡算法代碼不是很長，可是想看懂也不是很容易，須要你們對這幾個算法的原理有必定了解才行。若是不是很瞭解，也沒不用太擔憂。我會在分析每一個算法的源碼以前，對算法原理進行簡單的講解，幫助你們創建初步的印象。html
我在寫 Dubbo 源碼分析系列文章之初，當時 Dubbo 最新的版本爲 2.6.4。近期，Dubbo 2.6.5 發佈了，其中就有對負載均衡部分代碼修改。所以我在分析完 2.6.4 版本後的源碼後，會另外分析 2.6.5 更新的部分。本篇文章內容很是之豐富，須要你們耐心閱讀。好了，其餘的就很少說了，進入正題吧。java
2.源碼分析
在 Dubbo 中，全部負載均衡實現類均繼承自 AbstractLoadBalance，該類實現了 LoadBalance 接口方法，並封裝了一些公共的邏輯。因此在分析負載均衡實現以前，先來看一下 AbstractLoadBalance 的邏輯。首先來看一下負載均衡的入口方法 select，以下：node
@Override
public <T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) {
if (invokers == null || invokers.isEmpty())
return null;
// 若是 invokers 列表中僅有一個 Invoker，直接返回便可，無需進行負載均衡
if (invokers.size() == 1)
return invokers.get(0);
// 調用 doSelect 方法進行負載均衡，該方法爲抽象方法，由子類實現
return doSelect(invokers, url, invocation);
}
protected abstract <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation);
select 方法的邏輯比較簡單，首先會檢測 invokers 集合的合法性，而後再檢測 invokers 集合元素數量。若是隻包含一個 Invoker，直接返回該 Inovker 便可。若是包含多個 Invoker，此時須要經過負載均衡算法選擇一個 Invoker。具體的負載均衡算法由子類實現，接下來章節會對這些子類進行詳細分析。git
AbstractLoadBalance 除了實現了 LoadBalance 接口方法，還封裝了一些公共邏輯 —— 服務提供者權重計算邏輯。具體實現以下：github
protected int getWeight(Invoker<?> invoker, Invocation invocation) {
// 從 url 中獲取 weight 配置值
int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);
if (weight > 0) {
// 獲取服務提供者啓動時間戳
long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY, 0L);
if (timestamp > 0L) {
// 計算服務提供者運行時長
int uptime = (int) (System.currentTimeMillis() - timestamp);
// 獲取服務預熱時間，默認爲10分鐘
int warmup = invoker.getUrl().getParameter(Constants.WARMUP_KEY, Constants.DEFAULT_WARMUP);
// 若是服務運行時間小於預熱時間，則從新計算服務權重，即降權
if (uptime > 0 && uptime < warmup) {
// 從新計算服務權重
weight = calculateWarmupWeight(uptime, warmup, weight);
}
}
}
return weight;
}
static int calculateWarmupWeight(int uptime, int warmup, int weight) {
// 計算權重，下面代碼邏輯上形似於 (uptime / warmup) * weight。
// 隨着服務運行時間 uptime 增大，權重計算值 ww 會慢慢接近配置值 weight
int ww = (int) ((float) uptime / ((float) warmup / (float) weight));
return ww < 1 ? 1 : (ww > weight ? weight : ww);
}
上面是權重的計算過程，該過程主要用於保證當服務運行時長小於服務預熱時間時，對服務進行降權，避免讓服務在啓動之初就處於高負載狀態。服務預熱是一個優化手段，與此相似的還有 JVM 預熱。主要目的是讓服務啓動後「低功率」運行一段時間，使其效率慢慢提高至最佳狀態。關於預熱方面的更多知識，你們感興趣能夠本身搜索一下。算法
關於 AbstractLoadBalance 就先分析到這，接下來分析各個實現類的代碼。首先，咱們從 Dubbo 缺省的實現類 RandomLoadBalance 看起。apache
2.1 RandomLoadBalance
RandomLoadBalance 是加權隨機算法的具體實現，它的算法思想很簡單。假設咱們有一組服務器 servers = [A, B, C]，他們對應的權重爲 weights = [5, 3, 2]，權重總和爲10。如今把這些權重值平鋪在一維座標值上，[0, 5) 區間屬於服務器 A，[5, 8) 區間屬於服務器 B，[8, 10) 區間屬於服務器 C。接下來經過隨機數生成器生成一個範圍在 [0, 10) 之間的隨機數，而後計算這個隨機數會落到哪一個區間上。好比數字3會落到服務器 A 對應的區間上，此時返回服務器 A 便可。權重越大的機器，在座標軸上對應的區間範圍就越大，所以隨機數生成器生成的數字就會有更大的機率落到此區間內。只要隨機數生成器產生的隨機數分佈性很好，在通過屢次選擇後，每一個服務器被選中的次數比例接近其權重比例。好比，通過一萬次選擇後，服務器 A 被選中的次數大約爲5000次，服務器 B 被選中的次數約爲3000次，服務器 C 被選中的次數約爲2000次。數組
以上就是 RandomLoadBalance 背後的算法思想，比較簡單，很少說了，下面開始分析源碼。緩存
public class RandomLoadBalance extends AbstractLoadBalance {
public static final String NAME = "random";
private final Random random = new Random();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
int length = invokers.size();
int totalWeight = 0;
boolean sameWeight = true;
// 下面這個循環有兩個做用，第一是計算總權重 totalWeight，
// 第二是檢測每一個服務提供者的權重是否相同，若不相同，則將 sameWeight 置爲 false
for (int i = 0; i < length; i++) {
int weight = getWeight(invokers.get(i), invocation);
// 累加權重
totalWeight += weight;
// 檢測當前服務提供者的權重與上一個服務提供者的權重是否相同，
// 不相同的話，則將 sameWeight 置爲 false。
if (sameWeight && i > 0
&& weight != getWeight(invokers.get(i - 1), invocation)) {
sameWeight = false;
}
}
// 下面的 if 分支主要用於獲取隨機數，並計算隨機數落在哪一個區間上
if (totalWeight > 0 && !sameWeight) {
// 隨機獲取一個 [0, totalWeight) 之間的數字
int offset = random.nextInt(totalWeight);
// 循環讓 offset 數減去服務提供者權重值，當 offset 小於0時，返回相應的 Invoker。
// 仍是用上面的例子進行說明，servers = [A, B, C]，weights = [5, 3, 2]，offset = 7。
// 第一次循環，offset - 5 = 2 > 0，說明 offset 確定不會落在服務器 A 對應的區間上。
// 第二次循環，offset - 3 = -1 < 0，代表 offset 落在服務器 B 對應的區間上
for (int i = 0; i < length; i++) {
// 讓隨機值 offset 減去權重值
offset -= getWeight(invokers.get(i), invocation);
if (offset < 0) {
// 返回相應的 Invoker
return invokers.get(i);
}
}
}
// 若是全部服務提供者權重值相同，此時直接隨機返回一個便可
return invokers.get(random.nextInt(length));
}
}
RandomLoadBalance 的算法思想比較簡單，在通過屢次請求後，可以將調用請求按照權重值進行「均勻」分配。固然 RandomLoadBalance 也存在必定的缺點，當調用次數比較少時，Random 產生的隨機數可能會比較集中，此時多數請求會落到同一臺服務器上。這個缺點並非很嚴重，多數狀況下能夠忽略。RandomLoadBalance 是一個簡單，高效的負載均衡實現，所以 Dubbo 選擇它做爲缺省實現。服務器
關於 RandomLoadBalance 就先到這了，接下來分析 LeastActiveLoadBalance。
2.2 LeastActiveLoadBalance
LeastActiveLoadBalance 翻譯過來是最小活躍數負載均衡，所謂的最小活躍數可理解爲最少鏈接數。即服務提供者目前正在處理的請求數（一個請求對應一條鏈接）最少，代表該服務提供者效率高，單位時間內可處理更多的請求。此時應優先將請求分配給該服務提供者。在具體實現中，每一個服務提供者對應一個活躍數 active。初始狀況下，全部服務提供者活躍數均爲0。每收到一個請求，活躍數加1，完成請求後則將活躍數減1。在服務運行一段時間後，性能好的服務提供者處理請求的速度更快，所以活躍數降低的也越快。此時這樣的服務提供者可以優先獲取到新的服務請求，這就是最小活躍數負載均衡算法的基本思想。除了最小活躍數，LeastActiveLoadBalance 在實現上還引入了權重值。因此準確的來講，LeastActiveLoadBalance 是基於加權最小活躍數算法實現的。舉個例子說明一下，在一個服務提供者集羣中，有兩個性能優異的服務提供者。某一時刻它們的活躍數相同，此時 Dubbo 會根據它們的權重去分配請求，權重越大，獲取到新請求的可能性就越大。若是兩個服務提供者權重相同，此時隨機選擇一個便可。關於 LeastActiveLoadBalance 的背景知識就先介紹到這裏，下面開始分析源碼。
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();
// 最小的活躍數
int leastActive = -1;
// 具備相同「最小活躍數」的服務者提供者（如下用 Invoker 代稱）數量
int leastCount = 0;
// leastIndexs 用於記錄具備相同「最小活躍數」的 Invoker 在 invokers 列表中的下標信息
int[] leastIndexs = new int[length];
int totalWeight = 0;
// 第一個最小活躍數的 Invoker 權重值，用於與其餘具備相同最小活躍數的 Invoker 的權重進行對比，
// 以檢測是否全部具備相同最小活躍數的 Invoker 的權重均相等
int firstWeight = 0;
boolean sameWeight = true;
// 遍歷 invokers 列表
for (int i = 0; i < length; i++) {
Invoker<T> invoker = invokers.get(i);
// 獲取 Invoker 對應的活躍數
int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive();
// 獲取權重 - ⭐️
int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);
// 發現更小的活躍數，從新開始
if (leastActive == -1 || active < leastActive) {
// 使用當前活躍數 active 更新最小活躍數 leastActive
leastActive = active;
// 更新 leastCount 爲 1
leastCount = 1;
// 記錄當前下標值到 leastIndexs 中
leastIndexs[0] = i;
totalWeight = weight;
firstWeight = weight;
sameWeight = true;
// 當前 Invoker 的活躍數 active 與最小活躍數 leastActive 相同
} else if (active == leastActive) {
// 在 leastIndexs 中記錄下當前 Invoker 在 invokers 集合中的下標
leastIndexs[leastCount++] = i;
// 累加權重
totalWeight += weight;
// 檢測當前 Invoker 的權重與 firstWeight 是否相等，
// 不相等則將 sameWeight 置爲 false
if (sameWeight && i > 0
&& weight != firstWeight) {
sameWeight = false;
}
}
}
// 當只有一個 Invoker 具備最小活躍數，此時直接返回該 Invoker 便可
if (leastCount == 1) {
return invokers.get(leastIndexs[0]);
}
// 有多個 Invoker 具備相同的最小活躍數，但他們的權重不一樣
if (!sameWeight && totalWeight > 0) {
// 隨機獲取一個 [0, totalWeight) 之間的數字
int offsetWeight = random.nextInt(totalWeight);
// 循環讓隨機數減去具備最小活躍數的 Invoker 的權重值，
// 當 offset 小於等於0時，返回相應的 Invoker
for (int i = 0; i < leastCount; i++) {
int leastIndex = leastIndexs[i];
// 獲取權重值，並讓隨機數減去權重值 - ⭐️
offsetWeight -= getWeight(invokers.get(leastIndex), invocation);
if (offsetWeight <= 0)
return invokers.get(leastIndex);
}
}
// 若是權重相同或權重爲0時，隨機返回一個 Invoker
return invokers.get(leastIndexs[random.nextInt(leastCount)]);
}
}
如上，爲了幫助你們理解代碼，我在上面的代碼中寫了大量的註釋。下面簡單總結一下以上代碼所作的事情，以下：
- 遍歷 invokers 列表，尋找活躍數最小的 Invoker
- 若是有多個 Invoker 具備相同的最小活躍數，此時記錄下這些 Invoker 在 invokers 集合中的下標，以及累加它們的權重，比較它們之間的權重值是否相等
- 若是隻有一個 Invoker 具備最小的活躍數，此時直接返回該 Invoker 便可
- 若是有多個 Invoker 具備最小活躍數，且它們的權重不相等，此時處理方式和 RandomLoadBalance 一致
- 若是有多個 Invoker 具備最小活躍數，但它們的權重相等，此時隨機返回一個便可
以上就是 LeastActiveLoadBalance 大體的實現邏輯，你們在閱讀的源碼的過程當中要注意區分活躍數與權重這兩個概念，不要混爲一談。
以上分析是基於 Dubbo 2.6.4 版本進行了，因爲近期 Dubbo 2.6.5 發佈了，對負載均衡部分的代碼進行了一些更新。這其中就包含了本節分析的 LeastActiveLoadBalance，因此下面簡單說明一下 Dubbo 2.6.5 對 LeastActiveLoadBalance 進行了怎樣的修改。回到上面的源碼中，我在上面的代碼中標註了兩個黃色的五角星⭐️。兩處標記對應的代碼分別以下：
int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);
offsetWeight -= getWeight(invokers.get(leastIndex), invocation);
問題出在服務預熱階段，第一行代碼直接從 url 中去權重值，未被降權過。第二行代碼獲取到的是通過降權後的權重。第一行代碼獲取到的權重值最終會被累加到權重總和 totalWeight 中，這個時候會致使一個問題。offsetWeight 是一個在 0, totalWeight) 範圍內的隨機數，而它所減去的是通過降權的權重。頗有可能在通過 leastCount 次運算後，offsetWeight 仍然是大於0的，致使沒法選中 Invoker。這個問題對應的 issue 爲 [#904，在 pull request #2172 中被修復。具體的修復邏輯是將標註一處的代碼修改成：
// afterWarmup 等價於上面的 weight 變量，這樣命名是爲了強調該變量通過 warmup 降權處理了 int afterWarmup = getWeight(invoker, invocation);
另外，2.6.4 版本中的 LeastActiveLoadBalance 還要一個缺陷，即當一組 Invoker 具備相同的最小活躍數，且其中一個 Invoker 的權重值爲1，此時這個 Invoker 沒法被選中。缺陷代碼以下：
int offsetWeight = random.nextInt(totalWeight);
for (int i = 0; i < leastCount; i++) {
int leastIndex = leastIndexs[i];
offsetWeight -= getWeight(invokers.get(leastIndex), invocation);
if (offsetWeight <= 0) // ❌
return invokers.get(leastIndex);
}
問題就出在了offsetWeight <= 0上，舉例說明，假設有一組 Invoker 的權重爲 五、二、1，offsetWeight 最大值爲 7。假設 offsetWeight = 7，你會發現，當 for 循環進行第二次遍歷後 offsetWeight = 7 - 5 - 2 = 0，提早返回了。此時，權重爲1的 Invoker 就沒有機會被選中。這個修改起來也不難，能夠將 offsetWeight < 0，不過 Dubbo 的是將offsetWeight + 1，也就是：
int offsetWeight = random.nextInt(totalWeight) + 1;
兩種改動都行，不過我認爲以爲第一種方式更好一點，可與 RandomLoadBalance 邏輯保持一致。這裏+1有點突兀，你們讀到這裏要特意思考一下爲何要+1。
以上就是 Dubob 2.6.5 對 LeastActiveLoadBalance 的更新，不是很難理解，就很少說了。接下來分析基於一致性 hash 思想的 ConsistentHashLoadBalance。
2.3 ConsistentHashLoadBalance
一致性 hash 算法由麻省理工學院的 Karger 及其合做者於1997年提供出的，算法提出之初是用於大規模緩存系統的負載均衡。它的工做過程是這樣的，首先根據 ip 獲取其餘的信息爲緩存節點生成一個 hash，並將這個 hash 投射到 [0, 232 - 1] 的圓環上。當有查詢或寫入請求時，則爲緩存項的 key 生成一個 hash 值。而後查找第一個大於或等於該 hash 值的緩存節點，併到這個節點中查詢或寫入緩存項。若是當前節點掛了，則在下一次查詢或寫入緩存時，爲緩存項查找另外一個大於其 hash 值的緩存節點便可。大體效果以下，每一個緩存節點在圓環上佔據一個位置。若是緩存項的 key 的 hash 值小於緩存節點 hash 值，則到該緩存節點中存儲或讀取緩存項。好比下面綠色點對應的緩存項存儲到 cache-2 節點中。因爲 cache-3 掛了，本來應該存到該節點中的緩存想最終會存儲到 cache-4 節點中。
關於一致性 hash 算法，我這裏只作掃盲。具體的細節不討論，你們請自行補充相關的背景知識。下面來看看一致性 hash 在 Dubbo 中的應用。咱們把上圖的緩存節點替換成 Dubbo 的服務提供者，因而獲得了下圖：
這裏相同顏色的節點均屬於同一個服務提供者，好比 Invoker1-1，Invoker1-2，……, Invoker1-160。這樣作的目的是經過引入虛擬節點，讓 Invoker 在圓環上分散開來，避免數據傾斜問題。所謂數據傾斜是指，因爲節點不夠分散，致使大量請求落到了同一個節點上，而其餘節點只會接收到了少許的請求。好比：
如上，因爲 Invoker-1 和 Invoker-2 在圓環上分佈不均，致使系統中75%的請求都會落到 Invoker-1 上，只有 25% 的請求會落到 Invoker-2 上。解決這個問題辦法是引入虛擬節點，經過虛擬節點均衡各個節點的請求量。
到這裏背景知識就普及完了，接下來開始分析源碼。咱們先從 ConsistentHashLoadBalance 的 doSelect 方法開始看起，以下：
public class ConsistentHashLoadBalance extends AbstractLoadBalance {
private final ConcurrentMap<String, ConsistentHashSelector<?>> selectors =
new ConcurrentHashMap<String, ConsistentHashSelector<?>>();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
String methodName = RpcUtils.getMethodName(invocation);
String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName;
// 獲取 invokers 原始的 hashcode
int identityHashCode = System.identityHashCode(invokers);
ConsistentHashSelector<T> selector = (ConsistentHashSelector<T>) selectors.get(key);
// 若是 invokers 是一個新的 List 對象，意味着服務提供者數量發生了變化，可能新增也可能減小了。
// 此時 selector.identityHashCode != identityHashCode 條件成立
if (selector == null || selector.identityHashCode != identityHashCode) {
// 建立新的 ConsistentHashSelector
selectors.put(key, new ConsistentHashSelector<T>(invokers, methodName, identityHashCode));
selector = (ConsistentHashSelector<T>) selectors.get(key);
}
// 調用 ConsistentHashSelector 的 select 方法選擇 Invoker
return selector.select(invocation);
}
private static final class ConsistentHashSelector<T> {...}
}
如上，doSelect 方法主要作了一些前置工做，好比檢測 invokers 列表是否是變更過，以及建立 ConsistentHashSelector。這些工做作完後，接下來開始調用 select 方法執行負載均衡邏輯。在分析 select 方法以前，咱們先來看一下一致性 hash 選擇器 ConsistentHashSelector 的初始化過程，以下：
private static final class ConsistentHashSelector<T> {
// 使用 TreeMap 存儲 Invoker 虛擬節點
private final TreeMap<Long, Invoker<T>> virtualInvokers;
private final int replicaNumber;
private final int identityHashCode;
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();
// 獲取虛擬節點數，默認爲160
this.replicaNumber = url.getMethodParameter(methodName, "hash.nodes", 160);
// 獲取參與 hash 計算的參數下標值，默認對第一個參數進行 hash 運算
String[] index = Constants.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<T> invoker : invokers) {
String address = invoker.getUrl().getAddress();
for (int i = 0; i < replicaNumber / 4; i++) {
// 對 address + i 進行 md5 運算，獲得一個長度爲16的字節數組
byte[] digest = md5(address + i);
// 對 digest 部分字節進行4次 hash 運算，獲得四個不一樣的 long 型正整數
for (int h = 0; h < 4; h++) {
// h = 0 時，取 digest 中下標爲 0 ~ 3 的4個字節進行位運算
// h = 1 時，取 digest 中下標爲 4 ~ 7 的4個字節進行位運算
// h = 2, h = 3 時過程同上
long m = hash(digest, h);
// 將 hash 到 invoker 的映射關係存儲到 virtualInvokers 中，
// virtualInvokers 中的元素要有序，所以選用 TreeMap 做爲存儲結構
virtualInvokers.put(m, invoker);
}
}
}
}
}
ConsistentHashSelector 進行了一些列的初始化方法，好比從配置中獲取虛擬節點數以及參與 hash 計算的參數下標，默認狀況下只使用第一個參數進行 hash。須要特別說明的是，ConsistentHashLoadBalance 的負載均衡邏輯只受參數值影響，具備相同參數值的請求將會被分配給同一個服務提供者。ConsistentHashLoadBalance 不 care 權重，所以使用時須要注意一下。
在獲取虛擬節點數和參數下標配置後，接下來要作到事情是計算虛擬節點 hash 值，並將虛擬節點存儲到 TreeMap 中。到此，ConsistentHashSelector 初始化工做就完成了。接下來，咱們再來看看 select 方法的邏輯。
public Invoker<T> select(Invocation invocation) {
// 將參數轉爲 key
String key = toKey(invocation.getArguments());
// 對參數 key 進行 md5 運算
byte[] digest = md5(key);
// 取 digest 數組的前四個字節進行 hash 運算，再將 hash 值傳給 selectForKey 方法，
// 尋找合適的 Invoker
return selectForKey(hash(digest, 0));
}
private Invoker<T> selectForKey(long hash) {
// 到 TreeMap 中查找第一個節點值大於或等於當前 hash 的 Invoker
Map.Entry<Long, Invoker<T>> entry = virtualInvokers.tailMap(hash, true).firstEntry();
// 若是 hash 大於 Invoker 在圓環上最大的位置，此時 entry = null，
// 須要將 TreeMap 的頭結點賦值給 entry
if (entry == null) {
entry = virtualInvokers.firstEntry();
}
// 返回 Invoker
return entry.getValue();
}
如上，選擇的過程比較簡單了。首先是對參數進行 md5 以及 hash 運算，獲得一個 hash 值。而後再拿這個值到 TreeMap 中查找目標 Invoker 便可。
到此關於 ConsistentHashLoadBalance 就分析完了。在閱讀 ConsistentHashLoadBalance 以前，你們必定要先補充背景知識。否者即便這裏只有一百多行代碼，也很難看懂。好了，本節先分析到這。
2.4 RoundRobinLoadBalance
本節，咱們來看一下 Dubbo 中的加權輪詢負載均衡的實現 RoundRobinLoadBalance。在詳細分析源碼前，咱們仍是先來了解一下什麼是加權輪詢。這裏從最簡單的輪詢開始講起，所謂輪詢就是將請求輪流分配給一組服務器。舉個例子，咱們有三臺服務器 A、B、C。咱們將第一個請求分配給服務器 A，第二個請求分配給服務器 B，第三個請求分配給服務器 C，第四個請求再次分配給服務器 A。這個過程就叫作輪詢。輪詢是一種無狀態負載均衡算法，實現簡單，適用於每臺服務器性能相近的場景下。顯然，現實狀況下，咱們並不能保證每臺服務器性能均相近。若是咱們將等量的請求分配給性能較差的服務器，這顯然是不合理的。所以，這個時候咱們須要加權輪詢算法，對輪詢過程進行干預，使得性能好的服務器能夠獲得更多的請求，性能差的獲得的少一些。每臺服務器可以獲得的請求數比例，接近或等於他們的權重比。好比服務器 A、B、C 權重比爲 5:2:1。那麼在8次請求中，服務器 A 將獲取到其中的5次請求，服務器 B 獲取到其中的2次請求，服務器 C 則獲取到其中的1次請求。
以上就是加權輪詢的算法思想，搞懂了這個思想，接下來咱們就能夠分析源碼了。咱們先來看一下 2.6.4 版本的 RoundRobinLoadBalance。
public class RoundRobinLoadBalance extends AbstractLoadBalance {
public static final String NAME = "roundrobin";
private final ConcurrentMap<String, AtomicPositiveInteger> sequences =
new ConcurrentHashMap<String, AtomicPositiveInteger>();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// key = 全限定類名 + "." + 方法名，好比 com.xxx.DemoService.sayHello
String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();
int length = invokers.size();
// 最大權重
int maxWeight = 0;
// 最小權重
int minWeight = Integer.MAX_VALUE;
final LinkedHashMap<Invoker<T>, IntegerWrapper> invokerToWeightMap = new LinkedHashMap<Invoker<T>, IntegerWrapper>();
// 權重總和
int weightSum = 0;
// 下面這個循環主要用於查找最大和最小權重，計算權重總和等
for (int i = 0; i < length; i++) {
int weight = getWeight(invokers.get(i), invocation);
// 獲取最大和最小權重
maxWeight = Math.max(maxWeight, weight);
minWeight = Math.min(minWeight, weight);
if (weight > 0) {
// 將 weight 封裝到 IntegerWrapper 中
invokerToWeightMap.put(invokers.get(i), new IntegerWrapper(weight));
// 累加權重
weightSum += weight;
}
}
// 查找 key 對應的對應 AtomicPositiveInteger 實例，爲空則建立。
// 這裏能夠把 AtomicPositiveInteger 當作一個黑盒，你們只要知道
// AtomicPositiveInteger 用於記錄服務的調用編號便可。至於細節，
// 你們若是感興趣，能夠自行分析
AtomicPositiveInteger sequence = sequences.get(key);
if (sequence == null) {
sequences.putIfAbsent(key, new AtomicPositiveInteger());
sequence = sequences.get(key);
}
// 獲取當前的調用編號
int currentSequence = sequence.getAndIncrement();
// 若是 最小權重 < 最大權重，代表服務提供者之間的權重是不相等的
if (maxWeight > 0 && minWeight < maxWeight) {
// 使用調用編號對權重總和進行取餘操做
int mod = currentSequence % weightSum;
// 進行 maxWeight 次遍歷
for (int i = 0; i < maxWeight; i++) {
// 遍歷 invokerToWeightMap
for (Map.Entry<Invoker<T>, IntegerWrapper> each : invokerToWeightMap.entrySet()) {
// 獲取 Invoker
final Invoker<T> k = each.getKey();
// 獲取權重包裝類 IntegerWrapper
final IntegerWrapper v = each.getValue();
// 若是 mod = 0，且權重大於0，此時返回相應的 Invoker
if (mod == 0 && v.getValue() > 0) {
return k;
}
// mod != 0，且權重大於0，此時對權重和 mod 分別進行自減操做
if (v.getValue() > 0) {
v.decrement();
mod--;
}
}
}
}
// 服務提供者之間的權重相等，此時經過輪詢選擇 Invoker
return invokers.get(currentSequence % length);
}
// IntegerWrapper 是一個 int 包裝類，主要包含了一個自減方法。
// 與 Integer 不一樣，Integer 是不可變類，而 IntegerWrapper 是可變類
private static final class IntegerWrapper {
private int value;
public void decrement() {
this.value--;
}
// 省略部分代碼
}
}
如上，RoundRobinLoadBalance 的每行代碼都不是很難理解，可是將它們組合到一塊兒以後，好像就看不懂了。這裏對上面代碼的主要邏輯進行總結，以下：
- 找到最大權重值，並計算出權重和
- 使用調用編號對權重總和進行取餘操做，獲得 mod
- 檢測 mod 的值是否等於0，且 Invoker 權重是否大於0，若是兩個條件均知足，則返回該 Invoker
- 若是上面條件不知足，且 Invoker 權重大於0，此時對 mod 和權重進行遞減
- 再次循環，重複步驟三、4
以上過程對應的原理不太好解釋，因此下面直接舉例說明把。假設咱們有三臺服務器 servers = [A, B, C]，對應的權重爲 weights = [2, 5, 1]。接下來對上面的邏輯進行簡單的模擬。
mod = 0：知足條件，此時直接返回服務器 A
mod = 1：須要進行一次遞減操做才能知足條件，此時返回服務器 B
mod = 2：須要進行兩次遞減操做才能知足條件，此時返回服務器 C
mod = 3：須要進行三次遞減操做才能知足條件，通過遞減後，服務器權重爲 [1, 4, 0]，此時返回服務器 A
mod = 4：須要進行四次遞減操做才能知足條件，通過遞減後，服務器權重爲 [0, 4, 0]，此時返回服務器 B
mod = 5：須要進行五次遞減操做才能知足條件，通過遞減後，服務器權重爲 [0, 3, 0]，此時返回服務器 B
mod = 6：須要進行六次遞減操做才能知足條件，通過遞減後，服務器權重爲 [0, 2, 0]，此時返回服務器 B
mod = 7：須要進行七次遞減操做才能知足條件，通過遞減後，服務器權重爲 [0, 1, 0]，此時返回服務器 B
通過8次調用後，咱們獲得的負載均衡結果爲 [A, B, C, A, B, B, B, B]，次數比 A:B:C = 2:5:1，等於權重比。當 sequence = 8 時，mod = 0，此時重頭再來。從上面的模擬過程能夠看出，當 mod >= 3 後，服務器 C 就不會被選中了，由於它的權重被減爲0了。當 mod >= 4 後，服務器 A 的權重被減爲0，此後 A 就不會再被選中。
以上是 2.6.4 版本的 RoundRobinLoadBalance 分析過程，你們若是看不懂，本身能夠定義一些權重組合進行模擬。也能夠寫點測試用例，進行調試分析，總之不要死看。
2.6.4 版本的 RoundRobinLoadBalance 存在着比較嚴重的性能問題，該問題最初是在 issue #2578 中被反饋出來。問題出在了 Invoker 的返回時機上，RoundRobinLoadBalance 須要在mod == 0 && v.getValue() > 0 條件成立的狀況下才會被返回相應的 Invoker。假如 mod 很大，好比 10000，50000，甚至更大時，doSelect 方法須要進行不少次計算才能將 mod 減爲0。由此可知，doSelect 的效率與 mod 有關，時間複雜度爲 O(mod)。mod 又受最大權重 maxWeight 的影響，所以當某個服務提供者配置了很是大的權重，此時 RoundRobinLoadBalance 會產生比較嚴重的性能問題。這個問題被反饋後，社區很快作了迴應。並對 RoundRobinLoadBalance 的代碼進行了重構，將時間複雜度優化至了常量級別。這個優化能夠說很好了，下面咱們來學習一下優化後的代碼。
public class RoundRobinLoadBalance extends AbstractLoadBalance {
public static final String NAME = "roundrobin";
private final ConcurrentMap<String, AtomicPositiveInteger> sequences = new ConcurrentHashMap<String, AtomicPositiveInteger>();
private final ConcurrentMap<String, AtomicPositiveInteger> indexSeqs = new ConcurrentHashMap<String, AtomicPositiveInteger>();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();
int length = invokers.size();
int maxWeight = 0;
int minWeight = Integer.MAX_VALUE;
final List<Invoker<T>> invokerToWeightList = new ArrayList<>();
// 查找最大和最小權重
for (int i = 0; i < length; i++) {
int weight = getWeight(invokers.get(i), invocation);
maxWeight = Math.max(maxWeight, weight);
minWeight = Math.min(minWeight, weight);
if (weight > 0) {
invokerToWeightList.add(invokers.get(i));
}
}
// 獲取當前服務對應的調用序列對象 AtomicPositiveInteger
AtomicPositiveInteger sequence = sequences.get(key);
if (sequence == null) {
// 建立 AtomicPositiveInteger，默認值爲0
sequences.putIfAbsent(key, new AtomicPositiveInteger());
sequence = sequences.get(key);
}
// 獲取下標序列對象 AtomicPositiveInteger
AtomicPositiveInteger indexSeq = indexSeqs.get(key);
if (indexSeq == null) {
// 建立 AtomicPositiveInteger，默認值爲 -1
indexSeqs.putIfAbsent(key, new AtomicPositiveInteger(-1));
indexSeq = indexSeqs.get(key);
}
if (maxWeight > 0 && minWeight < maxWeight) {
length = invokerToWeightList.size();
while (true) {
int index = indexSeq.incrementAndGet() % length;
int currentWeight = sequence.get() % maxWeight;
// 每循環一輪（index = 0），從新計算 currentWeight
if (index == 0) {
currentWeight = sequence.incrementAndGet() % maxWeight;
}
// 檢測 Invoker 的權重是否大於 currentWeight，大於則返回
if (getWeight(invokerToWeightList.get(index), invocation) > currentWeight) {
return invokerToWeightList.get(index);
}
}
}
// 全部 Invoker 權重相等，此時進行普通的輪詢便可
return invokers.get(sequence.incrementAndGet() % length);
}
}
上面代碼的邏輯是這樣的，每進行一輪循環，從新計算 currentWeight。若是當前 Invoker 權重大於 currentWeight，則返回該 Invoker。仍是舉例說明吧，假設服務器 [A, B, C] 對應權重 [5, 2, 1]。
第一輪循環，currentWeight = 1，可返回 A 和 B
第二輪循環，currentWeight = 2，返回 A
第三輪循環，currentWeight = 3，返回 A
第四輪循環，currentWeight = 4，返回 A
第五輪循環，currentWeight = 0，返回 A, B, C
如上，這裏的一輪循環是指 index 再次變爲0所經歷過的循環，這裏能夠把 index = 0 看作是一輪循環的開始。每一輪循環的次數與 Invoker 的數量有關，Invoker 數量一般不會太多，因此咱們能夠認爲上面代碼的時間複雜度爲常數級。
重構後的 RoundRobinLoadBalance 看起來已經很不錯了，可是在代碼更新不久後，頗有又被重構了。此次重構緣由是新的 RoundRobinLoadBalance 在某些狀況下選出的服務器序列不夠均勻。好比，服務器 [A, B, C] 對應權重 [5, 1, 1]。如今進行7次負載均衡，選擇出來的序列爲 [A, A, A, A, A, B, C]。前5個請求所有都落在了服務器 A上，分佈不夠均勻。這將會使服務器 A 短期內接收大量的請求，壓力陡增。而 B 和 C 無請求，處於空閒狀態。咱們指望的結果是這樣的 [A, A, B, A, C, A, A]，不一樣服務器能夠穿插獲取請求。爲了增長負載均衡結果的平滑性，社區再次對 RoundRobinLoadBalance 的實現進行了重構。此次重構參考自 Nginx 的平滑加權輪詢負載均衡，實現原理是這樣的。每一個服務器對應兩個權重，分別爲 weight 和 currentWeight。其中 weight 是固定的，currentWeight 是會動態調整，初始值爲0。當有新的請求進來時，遍歷服務器列表，讓它的 currentWeight 加上自身權重。遍歷完成後，找到最大的 currentWeight，並將其減去權重總和，而後返回相應的服務器便可。
上面描述不是很好理解，下面仍是舉例說明吧。仍然使用服務器 [A, B, C] 對應權重 [5, 1, 1] 的例子進行說明，如今有7個請求依次進入負載均衡邏輯，選擇過程以下：
| 請求編號 | currentWeight 數組 | 選擇結果 | 減去權重總和後的 currentWeight 數組 |
|---|---|---|---|
| 1 | [5, 1, 1] | A | [-2, 1, 1] |
| 2 | [3, 2, 2] | A | [-4, 2, 2] |
| 3 | [1, 3, 3] | B | [1, -4, 3] |
| 4 | [6, -3, 4] | A | [-1, -3, 4] |
| 5 | [4, -2, 5] | C | [4, -2, -2] |
| 6 | [9, -1, -1] | A | [2, -1, -1] |
| 7 | [7, 0, 0] | A | [0, 0, 0] |
如上，通過平滑性處理後，獲得的服務器序列爲 [A, A, B, A, C, A, A]，相比以前的序列 [A, A, A, A, A, B, C]，分佈性要好一些。初始狀況下 currentWeight = [0, 0, 0]，第7個請求處理完後，currentWeight 再次變爲 [0, 0, 0]，是否是很神奇。這個結果也不難理解，在7次計算過程當中，每一個服務器的 currentWeight 都增長了自身權重 weight 7，獲得 currentWeight = [35, 7, 7]，A 被選中5次，要被減去 5 7。B 和 C 被選中1次，要被減去 1 * 7。因而 currentWeight = [35, 7, 7] - [35, 7, 7] = [0, 0, 0]。
以上就是平滑加權輪詢的計算過程，如今你們應該對平滑加權輪詢算法了有了一些瞭解。接下來，咱們來看看 Dubbo-2.6.5 是如何實現上面的計算過程的。
public class RoundRobinLoadBalance extends AbstractLoadBalance {
public static final String NAME = "roundrobin";
private static int RECYCLE_PERIOD = 60000;
protected static class WeightedRoundRobin {
// 服務提供者權重
private int weight;
// 當前權重
private AtomicLong current = new AtomicLong(0);
// 最後一次更新時間
private long lastUpdate;
public void setWeight(int weight) {
this.weight = weight;
// 初始狀況下，current = 0
current.set(0);
}
public long increaseCurrent() {
// current = current + weight；
return current.addAndGet(weight);
}
public void sel(int total) {
// current = current - total;
current.addAndGet(-1 * total);
}
}
// 嵌套 Map 結構，存儲的數據結構示例以下：
// {
// "UserService.query": {
// "url1": WeightedRoundRobin@123,
// "url2": WeightedRoundRobin@456,
// },
// "UserService.update": {
// "url1": WeightedRoundRobin@123,
// "url2": WeightedRoundRobin@456,
// }
// }
// 最外層爲服務類名 + 方法名，第二層爲 url 到 WeightedRoundRobin 的映射關係。
// 這裏咱們能夠將 url 當作是服務提供者的 id
private ConcurrentMap<String, ConcurrentMap<String, WeightedRoundRobin>> methodWeightMap = new ConcurrentHashMap<String, ConcurrentMap<String, WeightedRoundRobin>>();
// 原子更新鎖
private AtomicBoolean updateLock = new AtomicBoolean();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();
// 獲取 url 到 WeightedRoundRobin 映射表，若是爲空，則建立一個新的
ConcurrentMap<String, WeightedRoundRobin> map = methodWeightMap.get(key);
if (map == null) {
methodWeightMap.putIfAbsent(key, new ConcurrentHashMap<String, WeightedRoundRobin>());
map = methodWeightMap.get(key);
}
int totalWeight = 0;
long maxCurrent = Long.MIN_VALUE;
// 獲取當前時間
long now = System.currentTimeMillis();
Invoker<T> selectedInvoker = null;
WeightedRoundRobin selectedWRR = null;
// 下面這個循環主要作了這樣幾件事情：
// 1. 遍歷 Invoker 列表，檢測當前 Invoker 是否有
// 對應的 WeightedRoundRobin，沒有則建立
// 2. 檢測 Invoker 權重是否發生了變化，若變化了，
// 則更新 WeightedRoundRobin 的 weight 字段
// 3. 讓 current 字段加上自身權重，等價於 current += weight
// 4. 設置 lastUpdate 字段，即 lastUpdate = now
// 5. 尋找具備最大 current 的 Invoker 以及 WeightedRoundRobin，
// 暫存起來，留做後用
// 6. 計算權重總和
for (Invoker<T> invoker : invokers) {
String identifyString = invoker.getUrl().toIdentityString();
WeightedRoundRobin weightedRoundRobin = map.get(identifyString);
int weight = getWeight(invoker, invocation);
if (weight < 0) {
weight = 0;
}
// 檢測當前 Invoker 是否有對應的 WeightedRoundRobin，沒有則建立
if (weightedRoundRobin == null) {
weightedRoundRobin = new WeightedRoundRobin();
// 設置 Invoker 權重
weightedRoundRobin.setWeight(weight);
// 存儲 url 惟一標識 identifyString 到 weightedRoundRobin 的映射關係
map.putIfAbsent(identifyString, weightedRoundRobin);
weightedRoundRobin = map.get(identifyString);
}
// Invoker 權重不等於 WeightedRoundRobin 中保存的權重，說明權重變化了，此時進行更新
if (weight != weightedRoundRobin.getWeight()) {
weightedRoundRobin.setWeight(weight);
}
// 讓 current 加上自身權重，等價於 current += weight
long cur = weightedRoundRobin.increaseCurrent();
// 設置 lastUpdate，表示近期更新過
weightedRoundRobin.setLastUpdate(now);
// 找出最大的 current
if (cur > maxCurrent) {
maxCurrent = cur;
// 將具備最大 current 權重的 Invoker 賦值給 selectedInvoker
selectedInvoker = invoker;
// 將 Invoker 對應的 weightedRoundRobin 賦值給 selectedWRR，留做後用
selectedWRR = weightedRoundRobin;
}
// 計算權重總和
totalWeight += weight;
}
// 對 <identifyString, WeightedRoundRobin> 進行檢查，過濾掉長時間未被更新的節點。
// 該節點可能掛了，invokers 中不包含該節點，因此該節點的 lastUpdate 長時間沒法被更新。
// 若未更新時長超過閾值後，就會被移除掉，默認閾值爲60秒。
if (!updateLock.get() && invokers.size() != map.size()) {
if (updateLock.compareAndSet(false, true)) {
try {
ConcurrentMap<String, WeightedRoundRobin> newMap = new ConcurrentHashMap<String, WeightedRoundRobin>();
// 拷貝
newMap.putAll(map);
// 遍歷修改，也就是移除過時記錄
Iterator<Entry<String, WeightedRoundRobin>> it = newMap.entrySet().iterator();
while (it.hasNext()) {
Entry<String, WeightedRoundRobin> item = it.next();
if (now - item.getValue().getLastUpdate() > RECYCLE_PERIOD) {
it.remove();
}
}
// 更新引用
methodWeightMap.put(key, newMap);
} finally {
updateLock.set(false);
}
}
}
if (selectedInvoker != null) {
// 讓 current 減去權重總和，等價於 current -= totalWeight
selectedWRR.sel(totalWeight);
// 返回具備最大 current 的 Invoker
return selectedInvoker;
}
// should not happen here
return invokers.get(0);
}
}
以上就是 Dubbo-2.6.5 版本的 RoundRobinLoadBalance，你們若是可以理解平滑加權輪詢算法的計算過程，再配合我寫的註釋，理解上面的代碼應該不難。
以上就是關於 RoundRobinLoadBalance 所有的分析，內容有點多，你們慢慢消化吧。好了，本節先到這。
3.總結
本篇文章對 Dubbo 中的幾種負載均衡實現進行了詳細的分析，總的來講，這篇文章寫的仍是有點累的。主要是每介紹一種負載均衡實現，就要介紹一下相關背景。另外一方面，這裏不少東西對於我來講，也徹底是新的。在此以前，我對負載均衡算法並沒太多瞭解。這篇文章基本上是邊學邊寫的，總共耗時5天。原本想簡單寫寫算了，但最後仍是決定寫詳細點。好在，如今寫完了，我也能夠放鬆一下了。
本篇文章是個人 Dubbo 源碼分析系列文章關於集羣容錯部分的最後一篇文章，寫完感受學到了不少東西。經過堅持不懈的閱讀代碼，寫技術文章，使得我對 Dubbo 有了更深刻的瞭解。固然，這還遠遠不夠。後續還有不少東西要了解，好比 Nacos、Sentinel 等。長路漫漫，步履不停。
好了，本篇文章到這裏就結束了。感謝你們的閱讀。
參考
附錄：Dubbo 源碼分析系列文章
| 時間 | 文章 |
|---|---|
| 2018-10-01 | Dubbo 源碼分析 - SPI 機制 |
| 2018-10-13 | Dubbo 源碼分析 - 自適應拓展原理 |
| 2018-10-31 | Dubbo 源碼分析 - 服務導出 |
| 2018-11-12 | Dubbo 源碼分析 - 服務引用 |
| 2018-11-17 | Dubbo 源碼分析 - 集羣容錯之 Directory |
| 2018-11-20 | Dubbo 源碼分析 - 集羣容錯之 Router |
| 2018-11-24 | Dubbo 源碼分析 - 集羣容錯之 Cluster |
| 2018-11-29 | Dubbo 源碼分析 - 集羣容錯之 LoadBalance |
本文在知識共享許可協議 4.0 下發布，轉載需在明顯位置處註明出處
做者：田小波
本文同步發佈在個人我的博客： http://www.tianxiaobo.com
本做品採用知識共享署名-非商業性使用-禁止演繹 4.0 國際許可協議進行許可。
- 1. dubbo集羣容錯之LoadBalance
- 2. Dubbo 源碼分析 - 集羣容錯之 LoadBalance
- 3. dubbo源碼分析-集羣容錯(二)
- 4. Dubbo 源碼分析 - 集羣容錯之 Cluster
- 5. dubbo源碼分析- 集羣容錯之Cluster（一）
- 6. Dubbo 源碼分析 - 集羣容錯之 Router
- 7. 源碼分析Dubbo集羣容錯策略
- 8. dubbo源碼分析之集羣容錯failover-13
- 9. Dubbo源碼解析之集羣容錯架構設計
- 10. dubbo源碼分析集羣容錯總結-17
- 更多相關文章...
- • Swarm 集羣管理 - Docker教程
- • XML DOM 解析器錯誤 - XML DOM 教程
- • 互聯網組織的未來：剖析GitHub員工的任性之源
- • Java Agent入門實戰（二）-Instrumentation源碼概述
-
每一个你不满意的现在，都有一个你没有努力的曾经。