Dubbo源碼解析（三十八）集羣——LoadBalance
集羣——LoadBalance
目標：介紹dubbo中集羣的負載均衡，介紹dubbo-cluster下loadBalance包的源碼。
前言
負載均衡，說的通俗點就是要一碗水端平。在這個時代，公平是很重要的，在網絡請求的時候一樣是這個道理，咱們有不少機器，可是請求總是到某個服務器上，而某些服務器又常年空閒，致使了資源的浪費，也增長了服務器由於壓力過載而宕機的風險。這個時候就須要負載均衡的出現。它就至關因而一個天秤，經過各類策略，可讓每臺服務器獲取到適合本身處理能力的負載，這樣既可以爲高負載的服務器分流，還能避免資源浪費。負載均衡分爲軟件的負載均衡和硬件負載均衡，咱們這裏講到的是軟件負載均衡，在dubbo中，須要對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，其餘服務空閒的狀況，由於負載過大會致使服務請求超時。這個時候就須要負載均衡起做用了。Dubbo 提供了4種負載均衡實現：java
- RandomLoadBalance：基於權重隨機算法
- LeastActiveLoadBalance：基於最少活躍調用數算法
- ConsistentHashLoadBalance：基於 hash 一致性
- RoundRobinLoadBalance：基於加權輪詢算法
具體的實現看下面解析。node
源碼分析
（一）AbstractLoadBalance
該類實現了LoadBalance接口，是負載均衡的抽象類，提供了權重計算的功能。git
1.select
@Override
public <T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// 若是invokers爲空則返回空
if (invokers == null || invokers.isEmpty())
return null;
// 若是invokers只有一個服務提供者，則返回一個
if (invokers.size() == 1)
return invokers.get(0);
// 調用doSelect進行選擇
return doSelect(invokers, url, invocation);
}
該方法是選擇一個invoker，關鍵的選擇仍是調用了doSelect方法，不過doSelect是一個抽象方法，由上述四種負載均衡策略來各自實現。github
2.getWeight
protected int getWeight(Invoker<?> invoker, Invocation invocation) {
// 得到 weight 配置，即服務權重。默認爲 100
int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);
if (weight > 0) {
// 得到啓動時間戳
long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY, 0L);
if (timestamp > 0L) {
// 得到啓動總時長
int uptime = (int) (System.currentTimeMillis() - timestamp);
// 得到預熱須要總時長。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) {
weight = calculateWarmupWeight(uptime, warmup, weight);
}
}
}
return weight;
}
該方法是得到權重的方法，計算權重在calculateWarmupWeight方法中實現，該方法考慮到了jvm預熱的過程。算法
3.calculateWarmupWeight
static int calculateWarmupWeight(int uptime, int warmup, int weight) {
// 計算權重 (uptime / warmup) * weight，進度百分比 * 權重
int ww = (int) ((float) uptime / ((float) warmup / (float) weight));
// 權重範圍爲 [0, weight] 之間
return ww < 1 ? 1 : (ww > weight ? weight : ww);
}
該方法是計算權重的方法，其中計算公式是(uptime / warmup) weight，含義就是進度百分比 權重值。數組
（二）RandomLoadBalance
該類是基於權重隨機算法的負載均衡實現類，咱們先來說講原理，好比我有有一組服務器 servers = [A, B, C]，他們他們對應的權重爲 weights = [6, 3, 1]，權重總和爲10，如今把這些權重值平鋪在一維座標值上，分別出現三個區域，A區域爲[0,6)，B區域爲[6,9)，C區域爲[9,10)，而後產生一個[0, 10)的隨機數，看該數字落在哪一個區間內，就用哪臺服務器，這樣權重越大的，被擊中的機率就越大。緩存
public class RandomLoadBalance extends AbstractLoadBalance {
public static final String NAME = "random";
/**
* 隨機數產生器
*/
private final Random random = new Random();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// 得到服務長度
int length = invokers.size(); // Number of invokers
// 總的權重
int totalWeight = 0; // The sum of weights
// 是否有相同的權重
boolean sameWeight = true; // Every invoker has the same weight?
// 遍歷每一個服務，計算相應權重
for (int i = 0; i < length; i++) {
int weight = getWeight(invokers.get(i), invocation);
// 計算總的權重值
totalWeight += weight; // Sum
// 若是前一個服務的權重值不等於後一個則sameWeight爲false
if (sameWeight && i > 0
&& weight != getWeight(invokers.get(i - 1), invocation)) {
sameWeight = false;
}
}
// 若是每一個服務權重都不一樣，而且總的權重值不爲0
if (totalWeight > 0 && !sameWeight) {
// If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight.
int offset = random.nextInt(totalWeight);
// Return a invoker based on the random value.
// 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。
// 舉例說明一下，咱們有 servers = [A, B, C]，weights = [6, 3, 1]，offset = 7。
// 第一次循環，offset - 6 = 1 > 0，即 offset > 6，
// 代表其不會落在服務器 A 對應的區間上。
// 第二次循環，offset - 3 = -2 < 0，即 6 < offset < 9，
// 代表其會落在服務器 B 對應的區間上
for (int i = 0; i < length; i++) {
offset -= getWeight(invokers.get(i), invocation);
if (offset < 0) {
return invokers.get(i);
}
}
}
// If all invokers have the same weight value or totalWeight=0, return evenly.
// 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));
}
}
該算法比較好理解，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，不過影響不大。服務器
（三）LeastActiveLoadBalance
該負載均衡策略基於最少活躍調用數算法，某個服務活躍調用數越小，代表該服務提供者效率越高，也就代表單位時間內可以處理的請求更多。此時應該選擇該類服務器。實現很簡單，就是每個服務都有一個活躍數active來記錄該服務的活躍值，每收到一個請求，該active就會加1，，沒完成一個請求，active就會減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。除了最小活躍數，還引入了權重值，也就是當活躍數同樣的時候，選擇利用權重法來進行選擇，若是權重也同樣，那麼隨機選擇一個。網絡
public class LeastActiveLoadBalance extends AbstractLoadBalance {
public static final String NAME = "leastactive";
/**
* 隨機器
*/
private final Random random = new Random();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// 得到服務長度
int length = invokers.size(); // Number of invokers
// 最小的活躍數
int leastActive = -1; // The least active value of all invokers
// 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; // The number of invokers having the same least active value (leastActive)
// 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]; // The index of invokers having the same least active value (leastActive)
// 總的權重
int totalWeight = 0; // The sum of with warmup weights
// 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; // Initial value, used for comparision
// 是否權重相同
boolean sameWeight = true; // Every invoker has the same weight value?
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(); // Active number
// 得到該服務的權重
int afterWarmup = getWeight(invoker, invocation); // Weight
// 發現更小的活躍數，從新開始
if (leastActive == -1 || active < leastActive) { // Restart, when find a invoker having smaller least active value.
// 記錄當前最小的活躍數
leastActive = active; // Record the current least active value
// 更新 leastCount 爲 1
leastCount = 1; // Reset leastCount, count again based on current leastCount
// 記錄當前下標值到 leastIndexs 中
leastIndexs[0] = i; // Reset
totalWeight = afterWarmup; // Reset
firstWeight = afterWarmup; // Record the weight the first invoker
sameWeight = true; // Reset, every invoker has the same weight value?
// 若是當前 Invoker 的活躍數 active 與最小活躍數 leastActive 相同
} else if (active == leastActive) { // If current invoker's active value equals with leaseActive, then accumulating.
// 在 leastIndexs 中記錄下當前 Invoker 在 invokers 集合中的下標
leastIndexs[leastCount++] = i; // Record index number of this invoker
// 累加權重
totalWeight += afterWarmup; // Add this invoker's weight to totalWeight.
// If every invoker has the same weight?
if (sameWeight && i > 0
&& afterWarmup != firstWeight) {
sameWeight = false;
}
}
}
// assert(leastCount > 0)
// 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) {
// If we got exactly one invoker having the least active value, return this invoker directly.
return invokers.get(leastIndexs[0]);
}
// 有多個 Invoker 具備相同的最小活躍數，但它們之間的權重不一樣
if (!sameWeight && totalWeight > 0) {
// If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight.
// 隨機生成一個數字
int offsetWeight = random.nextInt(totalWeight) + 1;
// Return a invoker based on the random value.
// 相關算法能夠參考RandomLoadBalance
for (int i = 0; i < leastCount; i++) {
int leastIndex = leastIndexs[i];
offsetWeight -= getWeight(invokers.get(leastIndex), invocation);
if (offsetWeight <= 0)
return invokers.get(leastIndex);
}
}
// If all invokers have the same weight value or totalWeight=0, return evenly.
// 若是權重同樣，則隨機取一個
return invokers.get(leastIndexs[random.nextInt(leastCount)]);
}
}
前半部分在進行最小活躍數的策略，後半部分在進行權重的隨機策略，能夠參見RandomLoadBalance。app
（四）ConsistentHashLoadBalance
該類是負載均衡基於 hash 一致性的邏輯實現。一致性哈希算法由麻省理工學院的 Karger 及其合做者於1997年提供出的，一開始被大量運用於緩存系統的負載均衡。它的工做原理是這樣的：首先根據 ip 或其餘的信息爲緩存節點生成一個 hash，在dubbo中使用參數進行計算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。大體效果以下圖所示（引用一下官網的圖）
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，這裏有兩個概念不要弄混，緩存節點就比如dubbo中的服務提供者，會有不少的服務提供者，而緩存項就比如是服務引用的消費者。好比下面綠色點對應的緩存項也就是服務消費者將會被存儲到 cache-2 節點中。因爲 cache-3 掛了，本來應該存到該節點中的緩存項也就是服務消費者最終會存儲到 cache-4 節點中，也就是調用cache-4 這個服務提供者。
可是在hash一致性算法並不可以保證hash算法的平衡性，就拿上面的例子來看，cache-3掛掉了，那該節點下的全部緩存項都要存儲到 cache-4 節點中，這就致使hash值低的一直往高的存儲，會面臨一個不平衡的現象，見下圖：
能夠看到最後會變成相似不平衡的現象，那咱們應該怎麼避免這樣的事情，作到平衡性，那就須要引入虛擬節點，虛擬節點是實際節點在 hash 空間的複製品，「虛擬節點」在 hash 空間中以hash值排列。好比下圖：
能夠看到各個節點都被均勻分佈在圓環上，而某一個服務提供者竟然有多個節點存在，分別跟其餘節點交錯排列，這樣作的目的就是避免數據傾斜問題，也就是因爲節點不夠分散，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請求的狀況。相似第二張圖的狀況。
看完原理，接下來咱們來看看代碼
1.doSelect
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// 得到方法名
String methodName = RpcUtils.getMethodName(invocation);
// 得到key
String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName;
// 獲取 invokers 原始的 hashcode
int identityHashCode = System.identityHashCode(invokers);
// 從一致性 hash 選擇器集合中得到一致性 hash 選擇器
ConsistentHashSelector<T> selector = (ConsistentHashSelector<T>) selectors.get(key);
// 若是等於空或者選擇器的hash值不等於原始的值，則新建一個一致性 hash 選擇器，而且加入到集合
if (selector == null || selector.identityHashCode != identityHashCode) {
selectors.put(key, new ConsistentHashSelector<T>(invokers, methodName, identityHashCode));
selector = (ConsistentHashSelector<T>) selectors.get(key);
}
// 選擇器選擇一個invoker
return selector.select(invocation);
}
該方法也作了一些invokers 列表是否是變更過，以及建立 ConsistentHashSelector等工做，而後調用selector.select來進行選擇。
2.ConsistentHashSelector
private static final class ConsistentHashSelector<T> {
/**
* 存儲 Invoker 虛擬節點
*/
private final TreeMap<Long, Invoker<T>> virtualInvokers;
/**
* 每一個Invoker 對應的虛擬節點數
*/
private final int replicaNumber;
/**
* 原始哈希值
*/
private final int identityHashCode;
/**
* 取值參數位置數組
*/
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"));
// 建立下標數組
argumentIndex = new int[index.length];
// 遍歷
for (int i = 0; i < index.length; i++) {
// 記錄下標
argumentIndex[i] = Integer.parseInt(index[i]);
}
// 遍歷invokers
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 須要提供高效的查詢操做，所以選用 TreeMap 做爲存儲結構
virtualInvokers.put(m, invoker);
}
}
}
}
/**
* 選擇一個invoker
* @param invocation
* @return
*/
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));
}
/**
* 將參數轉爲 key
* @param args
* @return
*/
private String toKey(Object[] args) {
StringBuilder buf = new StringBuilder();
// 遍歷參數下標
for (int i : argumentIndex) {
if (i >= 0 && i < args.length) {
// 拼接參數，生成key
buf.append(args[i]);
}
}
return buf.toString();
}
/**
* 經過hash選擇invoker
* @param hash
* @return
*/
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 的頭節點賦值給 entry
if (entry == null) {
entry = virtualInvokers.firstEntry();
}
// 返回選擇的invoker
return entry.getValue();
}
/**
* 計算hash值
* @param digest
* @param number
* @return
*/
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;
}
/**
* md5
* @param value
* @return
*/
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;
try {
bytes = value.getBytes("UTF-8");
} catch (UnsupportedEncodingException e) {
throw new IllegalStateException(e.getMessage(), e);
}
md5.update(bytes);
return md5.digest();
}
}
該類是內部類，是一致性 hash 選擇器，首先看它的屬性，利用TreeMap來存儲 Invoker 虛擬節點，由於須要提供高效的查詢操做。再看看它的構造方法，執行了一系列的初始化邏輯，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，而且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。還有一個select方法，比較簡單，先進行md5運算。而後hash，最後選擇出對應的invoker。
(五)RoundRobinLoadBalance
該類是負載均衡基於加權輪詢算法的實現。那麼什麼是加權輪詢，輪詢很好理解，好比我第一個請求分配給A服務器，第二個請求分配給B服務器，第三個請求分配給C服務器，第四個請求又分配給A服務器，這就是輪詢，可是這隻適合每臺服務器性能相近的狀況，這種是一種很是理想的狀況，那更多的是每臺服務器的性能都會有所差別，這個時候性能差的服務器被分到等額的請求，就會須要承受壓力大宕機的狀況，這個時候咱們須要對輪詢加權，我舉個例子，服務器 A、B、C 權重比爲 6:3:1，那麼在10次請求中，服務器 A 將收到其中的6次請求，服務器 B 會收到其中的3次請求，服務器 C 則收到其中的1次請求，也就是說每臺服務器可以收到的請求歸結於它的權重。
1.屬性
/** * 回收間隔 */ private static int RECYCLE_PERIOD = 60000;
2.WeightedRoundRobin
protected static class WeightedRoundRobin {
/**
* 權重
*/
private int weight;
/**
* 當前已經有多少請求落在該服務提供者身上，也能夠當作是一個動態的權重
*/
private AtomicLong current = new AtomicLong(0);
/**
* 最後一次更新時間
*/
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;
}
}
該內部類是一個加權輪詢器，它記錄了某一個服務提供者的一些數據，好比權重、好比當前已經有多少請求落在該服務提供者上等。
3.doSelect
@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();
ConcurrentMap<String, WeightedRoundRobin> map = methodWeightMap.get(key);
if (map == null) {
methodWeightMap.putIfAbsent(key, new ConcurrentHashMap<String, WeightedRoundRobin>());
map = methodWeightMap.get(key);
}
// 權重總和
int totalWeight = 0;
// 最小權重
long maxCurrent = Long.MIN_VALUE;
// 得到如今的時間戳
long now = System.currentTimeMillis();
// 建立已經選擇的invoker
Invoker<T> selectedInvoker = null;
// 建立加權輪詢器
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
// 相應的 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 Invoker 對應的 WeightedRoundRobin，
// 暫存起來，留做後用
// 6. 計算權重總和
for (Invoker<T> invoker : invokers) {
// 得到identify的值
String identifyString = invoker.getUrl().toIdentityString();
// 得到加權輪詢器
WeightedRoundRobin weightedRoundRobin = map.get(identifyString);
// 計算權重
int weight = getWeight(invoker, invocation);
// 若是權重小於0，則設置0
if (weight < 0) {
weight = 0;
}
// 若是加權輪詢器爲空
if (weightedRoundRobin == null) {
// 建立加權輪詢器
weightedRoundRobin = new WeightedRoundRobin();
// 設置權重
weightedRoundRobin.setWeight(weight);
// 加入集合
map.putIfAbsent(identifyString, weightedRoundRobin);
weightedRoundRobin = map.get(identifyString);
}
// 若是權重跟以前的權重不同，則從新設置權重
if (weight != weightedRoundRobin.getWeight()) {
//weight changed
weightedRoundRobin.setWeight(weight);
}
// 計數器加1
long cur = weightedRoundRobin.increaseCurrent();
// 更新最後一次更新時間
weightedRoundRobin.setLastUpdate(now);
// 當落在該服務提供者的統計數大於最大可承受的數
if (cur > maxCurrent) {
// 賦值
maxCurrent = cur;
// 被選擇的selectedInvoker賦值
selectedInvoker = invoker;
// 被選擇的加權輪詢器賦值
selectedWRR = weightedRoundRobin;
}
// 累加
totalWeight += weight;
}
// 若是更新鎖不能得到而且invokers的大小跟map大小不匹配
// 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 {
// copy -> modify -> update reference
ConcurrentMap<String, WeightedRoundRobin> newMap = new ConcurrentHashMap<String, WeightedRoundRobin>();
// 複製
newMap.putAll(map);
Iterator<Entry<String, WeightedRoundRobin>> it = newMap.entrySet().iterator();
// 輪詢
while (it.hasNext()) {
Entry<String, WeightedRoundRobin> item = it.next();
// 若是大於回收時間，則進行回收
if (now - item.getValue().getLastUpdate() > RECYCLE_PERIOD) {
// 從集合中移除
it.remove();
}
}
// 加入集合
methodWeightMap.put(key, newMap);
} finally {
updateLock.set(false);
}
}
}
// 若是被選擇的selectedInvoker不爲空
if (selectedInvoker != null) {
// 設置總的權重
selectedWRR.sel(totalWeight);
return selectedInvoker;
}
// should not happen here
return invokers.get(0);
}
該方法是選擇的核心，其實關鍵是一些數據記錄，在每次請求都會記錄落在該服務上的請求數，而後在根據權重來分配，而且會有回收時間來處理一些長時間未被更新的節點。
後記
該部分相關的源碼解析地址： https://github.com/CrazyHZM/i...
該文章講解了集羣中關於負載均衡實現的部分，每一個算法都是如今很廣泛的負載均衡算法，但願你們細細品味。接下來我將開始對集羣模塊關於分組聚合部分進行講解。
相關文章
- 1. Dubbo 源碼分析 - 集羣容錯之 LoadBalance
- 2. 解析 Dubbo 的 LoadBalance 策略源碼
- 3. dubbo集羣容錯之LoadBalance
- 4. Dubbo源碼解析（三十七）集羣——directory
- 5. dubbo源碼解析（三十四）集羣——開篇
- 6. Dubbo源碼解析（三十六）集羣——configurator
- 7. dubbo源碼解析（三十五）集羣——cluster
- 8. dubbo源碼分析-Directory 和 LoadBalance-筆記
- 9. Dubbo源碼解析之服務集羣
- 10. ElasticSearch 源碼分析 十三 集羣
- 更多相關文章...
- • Swarm 集羣管理 - Docker教程
- • XML DOM 解析器 - XML DOM 教程
- • Scala 中文亂碼解決
- • 互聯網組織的未來：剖析GitHub員工的任性之源
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章