从源码角度搞懂 Ribbon 的负载策略
2021-08-10 本文已影响0人
程序花生
前言
Ribbon 是 Netflix公司的一个开源项目，现已被收录到 SpringCloud ，是一个基于 HTTP 和 TCP 的客户端负载均衡器，当我们将 Ribbon 与 Eureka一起使用时，Ribbon会从Eureka注册中心去获取服务端列表，通过轮询方式达到负载均衡的作用，客户端负载均衡中用心跳机制去维护服务端清单的有效性，这个过程需要配合服务注册中心一起完成。
什么是负载均衡？
负载均衡是我们处理高并发、缓解网络压力和进行服务端扩容的重要手段之一，但是一般情况下我们所说的负载均衡通常都是指服务端负载均衡，负载均衡又分为两种，还有一种是客户端负载均衡。
Ribbon 与 Nginx 的区别？
Ribbon 是客户端负载均衡器，而 Nginx 是服务端负载均衡器。
客户端负载指的是 client 有要调用的服务实例清单，比如 eureka/nacos 存储各服务实例信息，而对于其中集成的 Ribbon 来说，从已知的服务列表通过某种策略选取一个实例负载，这就是客户端负载均衡，即在客户端进行负载均衡算法分配。
服务端负载指的是 client 不知道调用哪个 server 实例，发送请求后，通过服务端的负载均衡算法，在多个服务端之间选择一个进行访问，即在服务端进行负载均衡算法分配。
客户端与服务端负载均衡的区别实际上是服务清单所存储的位置，在客户端负载均衡中，所有client有一份要访问的服务端清单地址。
ribbon负载策略
七种负载均衡策略类图如下：
负载均衡接口
com.netflix.loadbalancer.IRule，由抽象类 AbstractLoadBalancerRule实现 IRule 接口，各个策略都是抽象类的具体实现。
轮询策略 -RoundRobinRule
下面看看 RoundRobinRule 类的源码是如何实现的。
public class RoundRobinRule extends AbstractLoadBalancerRule {
private AtomicInteger nextServerCyclicCounter;
public Server choose(ILoadBalancer lb, Object key) {
if (lb == null) {
log.warn("no load balancer");
return null;
}
Server server = null;
// 用于计算负载均衡器尝试获取可用服务器的次数
int count = 0;
// 共尝试10次，超过则负载失败
while (server == null && count++ < 10) {
// 获取所有可达服务器
List<Server> reachableServers = lb.getReachableServers();
// 获取所有服务器
List<Server> allServers = lb.getAllServers();
int upCount = reachableServers.size();
int serverCount = allServers.size();
if ((upCount == 0) || (serverCount == 0)) {
log.warn("No up servers available from load balancer: " + lb);
return null;
}
// 自旋锁计算出下一个负载的服务器
int nextServerIndex = incrementAndGetModulo(serverCount);
// 取出下一个负载的服务器
server = allServers.get(nextServerIndex);
// 如没有此服务器，当前线程让出CPU，置为就绪状态
if (server == null) {
/* Transient. */
Thread.yield();
continue;
}
if (server.isAlive() && (server.isReadyToServe())) {
return (server);
}
// Next.
server = null;
}
// 获取负载服务器会尝试10次，超过10次警告
if (count >= 10) {
log.warn("No available alive servers after 10 tries from load balancer: "
+ lb);
}
return server;
}
// 取模运算并使用CAS机制更新下一个负载的服务器
private int incrementAndGetModulo(int modulo) {
for (;;) {
// 获取原子属性值
int current = nextServerCyclicCounter.get();
// 取模运算
int next = (current + 1) % modulo;
// CAS机制更新标识服务器循环计数器
if (nextServerCyclicCounter.compareAndSet(current, next))
return next;
}
}
}
轮询通过模运算计算出负载机器的索引，根据索引从存放所有服务器的 list中取出作为负载服务器。其中，使用原子类 AtomicInteger + CAS 机制来记录下一个负载的服务器标识，保证了线程安全。
随机策略 - RandomRule
随机策略是指随机选择服务器实例进行负载，使用 ThreadLocalRandom 方式获取随机数，保证线程安全。
public class RandomRule extends AbstractLoadBalancerRule {
public Server choose(ILoadBalancer lb, Object key) {
if (lb == null) {
return null;
}
Server server = null;
while (server == null) {
if (Thread.interrupted()) {
return null;
}
// 获取可达服务器和所有服务器
List<Server> upList = lb.getReachableServers();
List<Server> allList = lb.getAllServers();
int serverCount = allList.size();
if (serverCount == 0) {
return null;
}
// 取随机数
int index = chooseRandomInt(serverCount);
server = upList.get(index);
if (server == null) {
Thread.yield();
continue;
}
if (server.isAlive()) {
return (server);
}
server = null;
Thread.yield();
}
return server;
}
// 取随机数
protected int chooseRandomInt(int serverCount) {
return ThreadLocalRandom.current().nextInt(serverCount);
}
}
重试策略 - RetryRule
先按照轮询负载策略获取服务实例，如果获取失败则在指定时间内(默认500ms)进行重试，循环调用轮询策略获取实例。
使用 InterruptTask 开启了一个 Timer 守护线程，用来延迟执行指定的任务，在重试时间范围内循环调用轮询策略获取服务器，如超过指定重试时间后仍未获取到服务器信息，则返回 null
public class RetryRule extends AbstractLoadBalancerRule {
public Server choose(ILoadBalancer lb, Object key) {
long requestTime = System.currentTimeMillis();
long deadline = requestTime + maxRetryMillis;
Server answer = null;
// 调用轮询策略
answer = subRule.choose(key);
// 如果轮询策略没获取到服务器 || 服务器未激活 && 在指定的最大重试时间内
if (((answer == null) || (!answer.isAlive()))
&& (System.currentTimeMillis() < deadline)) {
// 开启守护线程，监视剩余指定的重试时间
InterruptTask task = new InterruptTask(deadline
- System.currentTimeMillis());
// 在指定的重试时间范围内，当前线程如没中断，循环调用轮询策略
while (!Thread.interrupted()) {
answer = subRule.choose(key);
if (((answer == null) || (!answer.isAlive()))
&& (System.currentTimeMillis() < deadline)) {
/* pause and retry hoping it's transient */
Thread.yield();
} else {
break;
}
}
task.cancel();
}
if ((answer == null) || (!answer.isAlive())) {
return null;
} else {
return answer;
}
}
}
加权响应时间 - WeightedResponseTimeRule
WeightedResponseTimeRule 类继承了轮询策略类 RandomRule
初始化时，启动一个定时器，每隔 30s 根据服务的响应时间分配一次权重，响应时间越长，权重越低，被选择到的概率也越低。响应时间越短，权重越高，实例被选中概率越高。得到权重后，生成随机权重，命中权重比随机权重大的第一个服务实例。
public class WeightedResponseTimeRule extends RoundRobinRule {
// 每隔 30s 统计各服务权重
public static final int DEFAULT_TIMER_INTERVAL = 30 * 1000;
// 记录累计权重
private volatile List<Double> accumulatedWeights = new ArrayList<Double>();
// 初始化
void initialize(ILoadBalancer lb) {
if (serverWeightTimer != null) {
serverWeightTimer.cancel();
}
serverWeightTimer = new Timer("NFLoadBalancer-serverWeightTimer-"
+ name, true);
// 统计各服务权重
serverWeightTimer.schedule(new DynamicServerWeightTask(), 0,
serverWeightTaskTimerInterval);
// do a initial run
ServerWeight sw = new ServerWeight();
sw.maintainWeights();
Runtime.getRuntime().addShutdownHook(new Thread(new Runnable() {
public void run() {
logger
.info("Stopping NFLoadBalancer-serverWeightTimer-"
+ name);
serverWeightTimer.cancel();
}
}));
}
@Override
public Server choose(ILoadBalancer lb, Object key) {
if (lb == null) {
return null;
}
Server server = null;
while (server == null) {
List<Double> currentWeights = accumulatedWeights;
// 判断线程是否中断
if (Thread.interrupted()) {
return null;
}
// 获取服务器列表
List<Server> allList = lb.getAllServers();
int serverCount = allList.size();
if (serverCount == 0) {
return null;
}
int serverIndex = 0;
// currentWeights.size() - 1 是所有权重的总和
double maxTotalWeight = currentWeights.size() == 0 ? 0 : currentWeights.get(currentWeights.size() - 1);
// 未命中任何服务器就调用轮询策略获取
if (maxTotalWeight < 0.001d || serverCount != currentWeights.size()) {
server = super.choose(getLoadBalancer(), key);
if(server == null) {
return server;
}
} else {
// 从 0 到 所有权重总和之间获取随机数作为随机权重
double randomWeight = random.nextDouble() * maxTotalWeight;
int n = 0;
// 命中权重比随机权重大的第一个服务实例
for (Double d : currentWeights) {
if (d >= randomWeight) {
serverIndex = n;
break;
} else {
n++;
}
}
server = allList.get(serverIndex);
}
if (server == null) {
/* Transient. */
Thread.yield();
continue;
}
if (server.isAlive()) {
return (server);
}
// Next.
server = null;
}
return server;
}
}
// 内部类
class ServerWeight {
public void maintainWeights() {
ILoadBalancer lb = getLoadBalancer();
if (lb == null) {
return;
}
if (!serverWeightAssignmentInProgress.compareAndSet(false, true)) {
return;
}
try {
logger.info("Weight adjusting job started");
AbstractLoadBalancer nlb = (AbstractLoadBalancer) lb;
LoadBalancerStats stats = nlb.getLoadBalancerStats();
if (stats == null) {
// no statistics, nothing to do
return;
}
double totalResponseTime = 0;
// 计算出所有服务实例累计的平均响应时间
for (Server server : nlb.getAllServers()) {
ServerStats ss = stats.getSingleServerStat(server);
totalResponseTime += ss.getResponseTimeAvg();
}
// 记录累计权重
Double weightSoFar = 0.0;
// 存放所有服务的权重
List<Double> finalWeights = new ArrayList<Double>();
for (Server server : nlb.getAllServers()) {
ServerStats ss = stats.getSingleServerStat(server);
// 每个服务权重 = 所有服务的平均响应时间总和 - 当前服务的平均响应时间
// 所以服务的响应时间越大，权重越小，被选中的可能性越小
double weight = totalResponseTime - ss.getResponseTimeAvg();
weightSoFar += weight;
finalWeights.add(weightSoFar);
}
setWeights(finalWeights);
} catch (Exception e) {
logger.error("Error calculating server weights", e);
} finally {
serverWeightAssignmentInProgress.set(false);
}
}
}
例如：现在有三个服务实例，平均响应时间分别为：
- A：100ms
- B：200ms
- C：300ms
则权重分别是：
- A：600-100 = 500
- B：500+600-200 = 900
- C：900+600-300 = 1200
生成的随机数若在 0-500 之间，则命中服务 A，如在 500 - 900 之间，则命中服务 B，如在 900 - 1200，则命中服务 C，如果没有命中任何服务实例，则取轮询策略的结果。
最佳可用策略 - BestAvailableRule
如未指定负载均衡器，采用轮询策略选取一个服务实例；
如指定了负载均衡器，逐个考察服务实例，过滤掉断路器跳闸状态的实例，从未过滤掉的实例中选择一个并发量最小的实例。如果未命中，则轮询策略选取一个服务实例。
public class BestAvailableRule extends ClientConfigEnabledRoundRobinRule {
@Override
public Server choose(Object key) {
// 未指定负载均衡器，调用轮询策略
if (loadBalancerStats == null) {
return super.choose(key);
}
// 获取所有服务器列表
List<Server> serverList = getLoadBalancer().getAllServers();
// 最小并发连接数
int minimalConcurrentConnections = Integer.MAX_VALUE;
long currentTime = System.currentTimeMillis();
Server chosen = null;
// 遍历服务器列表
for (Server server: serverList) {
// 获取服务器统计信息
ServerStats serverStats = loadBalancerStats.getSingleServerStat(server);
// 如果服务器断路器没有发生断路器跳闸，过滤掉断路器跳闸的实例
if (!serverStats.isCircuitBreakerTripped(currentTime)) {
int concurrentConnections = serverStats.getActiveRequestsCount(currentTime);
// 选择并发量最小的实例
if (concurrentConnections < minimalConcurrentConnections) {
minimalConcurrentConnections = concurrentConnections;
chosen = server;
}
}
}
// 如未命中，轮询选取一个实例
if (chosen == null) {
return super.choose(key);
} else {
return chosen;
}
}
}
可用性过滤策略 - AvailabilityFilteringRule
该策略继承自抽象策略 PredicateBasedRule 类。
通过轮询的方式选取一个服务，如果不匹配过滤条件，则继续轮询10次，如果10次还未命中，就轮询选取一个实例。
过滤条件：断路器故障或者并发请求超过了设置的并发阈值
public class AvailabilityFilteringRule extends PredicateBasedRule {
@Override
public Server choose(Object key) {
int count = 0;
// 轮询策略选一个实例
Server server = roundRobinRule.choose(key);
while (count++ <= 10) {
// 判断是否符合断言条件
if (predicate.apply(new PredicateKey(server))) {
return server;
}
// 不满足断言条件再轮询选择一个实例
server = roundRobinRule.choose(key);
}
// 超过10次还不满足，使用 父类 `PredicateBasedRule`策略
return super.choose(key);
}
}
看看父类 PredicateBasedRule 的负载策略
public abstract class PredicateBasedRule extends ClientConfigEnabledRoundRobinRule {
@Override
public Server choose(Object key) {
ILoadBalancer lb = getLoadBalancer();
// 根据条件过滤后，采用轮询策略选取实例
Optional<Server> server = getPredicate().chooseRoundRobinAfterFiltering(lb.getAllServers(), key);
if (server.isPresent()) {
return server.get();
} else {
return null;
}
}
}
来看看上述中的断言条件是什么，进入到AvailabilityPredicate类查看断言条件
public class AvailabilityPredicate extends AbstractServerPredicate {
@Override
public boolean apply(@Nullable PredicateKey input) {
LoadBalancerStats stats = getLBStats();
if (stats == null) {
return true;
}
return !shouldSkipServer(stats.getSingleServerStat(input.getServer()));
}
private boolean shouldSkipServer(ServerStats stats) {
// 以下两个条件满足其一就过滤实例
// 1、断路器开启并且故障
// 2、实例的并发请求>=阈值
if ((CIRCUIT_BREAKER_FILTERING.get() && stats.isCircuitBreakerTripped())
|| stats.getActiveRequestsCount() >= activeConnectionsLimit.get()) {
return true;
}
return false;
}
}
区域回避策略 - ZoneAvoidanceRule
继承自 PredicateBasedRule
public class ZoneAvoidanceRule extends PredicateBasedRule {
private static final Random random = new Random();
private CompositePredicate compositePredicate;
public ZoneAvoidanceRule() {
super();
// 两个过滤条件
ZoneAvoidancePredicate zonePredicate = new ZoneAvoidancePredicate(this);
AvailabilityPredicate availabilityPredicate = new AvailabilityPredicate(this);
compositePredicate = createCompositePredicate(zonePredicate, availabilityPredicate);
}
}
两个断言条件
public class ZoneAvoidancePredicate extends AbstractServerPredicate {
@Override
public boolean apply(@Nullable PredicateKey input) {
if (!ENABLED.get()) {
return true;
}
String serverZone = input.getServer().getZone();
if (serverZone == null) {
// there is no zone information from the server, we do not want to filter
// out this server
return true;
}
LoadBalancerStats lbStats = getLBStats();
if (lbStats == null) {
// no stats available, do not filter
return true;
}
if (lbStats.getAvailableZones().size() <= 1) {
// only one zone is available, do not filter
return true;
}
Map<String, ZoneSnapshot> zoneSnapshot = ZoneAvoidanceRule.createSnapshot(lbStats);
if (!zoneSnapshot.keySet().contains(serverZone)) {
// The server zone is unknown to the load balancer, do not filter it out
return true;
}
logger.debug("Zone snapshots: {}", zoneSnapshot);
// 获取可用区域
Set<String> availableZones = ZoneAvoidanceRule.getAvailableZones(zoneSnapshot, triggeringLoad.get(), triggeringBlackoutPercentage.get());
logger.debug("Available zones: {}", availableZones);
if (availableZones != null) {
return availableZones.contains(input.getServer().getZone());
} else {
return false;
}
}
}
此过滤条件就是 AvailabilityFilteringRule策略的过滤条件。
public class AvailabilityPredicate extends AbstractServerPredicate {
@Override
public boolean apply(@Nullable PredicateKey input) {
LoadBalancerStats stats = getLBStats();
if (stats == null) {
return true;
}
return !shouldSkipServer(stats.getSingleServerStat(input.getServer()));
}
// 以下两个条件满足其一就过滤实例
// 1、断路器开启并且故障
// 2、实例的并发请求>=阈值
private boolean shouldSkipServer(ServerStats stats) {
if ((CIRCUIT_BREAKER_FILTERING.get() && stats.isCircuitBreakerTripped())
|| stats.getActiveRequestsCount() >= activeConnectionsLimit.get()) {
return true;
}
return false;
}
}
小结
本文主要从源码角度分析了ribbon的七个负载均衡策略，如对 MySQL，Spring 等感兴趣请继续关注。
作者：沸羊羊
链接：https://juejin.cn/post/6994621608610496542
来源：掘金
