负载均衡算法基本实现

　　最近在比赛一个项目 , 是给Dubbo写一个负载均衡接口 , 其实dubbo已经实现了下面四种, 所以他做的不是这个单面负载均衡, 需要做双向负载均衡 , 负载均衡的权重取决于服务端,所以有些时候我们不知道如何计算权重, 权重受到很多因素影响 ,所以就需要动态考虑了.
　　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。  1. 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。private  Invoker doSelect(List> invokers, URL url, Invocation invocation) {      int len = invokers.size();     int[] arr = new int[len];     int count = 0;     int totalWight = 0;     for (Invoker invoker : invokers) {         int wight = invoker.getUrl().getParameter(org.apache.dubbo.common.Constants.WEIGHT_KEY, 1);         arr[count++] = wight;         totalWight += wight;     }      // 随机偏移量     int offset = ThreadLocalRandom.current().nextInt(totalWight);      for (int i = 0; i < arr.length; i++) {          // 比如 [2 , 3 , 5]  , offset=7 , 此时 offset-2=5 , offset-3=2 , offset-5=-3 ,此时当他为负数时,说明就在这个区间内, 我们是左闭右开[0,2) ,[2,5) ,[5,10)         offset -= arr[i];          // 此时已经小于0了, 说明在这个区间内         if (offset < 0) {             // 返回就行了             return invokers.get(i);         }     }      return ...  }2. 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，因此活跃数下降得也越快，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。
　　这个需要我们去维护一个最小连接数的计算, 配合加权 ,当连接数相同的时候,选择加权分最高的 ...  3. ConsistentHashLoadBalance
　　一致性 hash 算法由麻省理工学院的 Karger 及其合作者于1997年提出的，算法提出之初是用于大规模缓存系统的负载均衡。它的工作过程是这样的，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。 这个主要是靠hash算法 , 通过hash % 服务器数量 = 服务器索引
　　Java中可以使用这个 :   intidentityHashCode =System.identityHashCode(invokers);  来获取4. RoundRobinLoadBalance
　　加权轮询负载均衡的实现 RoundRobinLoadBalance  , 我选择的就是这种
　　这里从 最简单的轮询 开始讲起，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。
　　下面有个表格 , 默认权重是 [5,1,1]
　　请求编号
　　currentWeight 数组
　　选择结果
　　减去权重总和后的 currentWeight 数组
　　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]
　　此时 7 次中A节点被选中的次数是 5 , B 是1 ,C是1 ,所以符合我们的需求
　　计算方法如下 , 首先有三个变量 , 记录了 currentWeight , effectiveWeight , totalWeight  private class Node {         private int currentWeight; // 当前权重         private int effectiveWeight; // 有效权重,初始化的时候等于当前权重         private int totalWeight; // 总权重  }
　　我们先看初始化 , 初始化时 ,计算权重 比如我们知道权重了 A : 5 , B : 1 , C : 1
　　初始化节点 A : new Node(5, 5, 7) B : new Node(1, 1, 7) C : new Node(1, 1, 7)  此时currentWeight的和是 : 7
　　当第一次的时候 , A节点权重最大 ,此时 5-7=-2, A节点变成了 Node(-2, 5, 7) A : new Node(-2, 5, 7) B : new Node(1, 1, 7) C : new Node(1, 1, 7)  此时currentWeight的和是 : 0
　　然后重新回归, 回归需要currentWeight= currentWeight+effectiveWeight A : new Node(3, 5, 7) B : new Node(2, 1, 7) C : new Node(2, 1, 7)  此时currentWeight的和是 : 7 // 所以又回来了 .. ..
　　怎样做呢 ?
　　此时我们用一个 PriorityQueue>   维护所有节点的信息 , 同时使用Pair  维护单个节点1. 初始化队列 PriorityBlockingQueue> weightQueue = new PriorityBlockingQueue<>(3, (o1, o2) -> o2.getValue().getCurrentWeight() - o1.getValue().getCurrentWeight());   2. 遍历放入权重 weightQueue.add(new Pair<>(key, new Node(currentWeight, effectiveWeight, totalWeight)));   3. 当放入以后, 此时就可以拿到一个当前权重最大的节点 , 如果不想使用优先队列, 可以自己实现一个大顶堆 ,很简单的.   // 获取当前节点权重最大的 ,      Pair hPair = weightQueue.take();  // 此时hPair节点的值应当是 5 - 7 = -2  int afterCurrentWeight = value.getCurrentWeight() - value.getTotalWeight(); // 设置值 hNode.setCurrentWeight(afterCurrentWeight);  // 遍历 for (Pair stringNodePair : weightQueue) {     //获取节点      Node node = stringNodePair.getValue();     // 剩余每个节点值 + 有效值      int after = node.getCurrentWeight() + node.getEffectiveWeight();      // 设置节点值      node.setCurrentWeight(after); } // 由于我们拿出来的节点还没有 重新计算, 还要计算 hNode.setCurrentWeight(value.getCurrentWeight() + value.getEffectiveWeight()); // 重新放入节点. ... ,重新排序 weightQueue.add(hPair);
　　其实自己维护的话可以进行 heapfy的 , 我们只能依赖JDK提供的数据结构进行的这种取巧方式