Dubbo源码(八)

前言

本文基于Dubbo2.6.x版本,中文注释版源码已上传github:xiaoguyu/dubbo

负载均衡,英文名称为Load Balance,其含义就是指将负载(工作任务)进行平衡、分摊到多个操作单元上进行运行。

例如:在Dubbo中,同一个服务有多个服务提供者,每个服务提供者所在的机器性能不一致。如果流量均匀分摊,则会导致有些服务提供者负载过高,有些则轻轻松松,导致资源浪费。负载均衡就解决这个问题。

源码

LoadBalance就是负载均衡的接口,咱们先看看类图

Untitled

Dubbo提供了4中内置的负载均衡实现:

  1. RandomLoadBalance:基于权重随机算法
  2. LeastActiveLoadBalance:基于最少活跃调用数算法
  3. ConsistentHashLoadBalance:基于 hash 一致性算法
  4. RoundRobinLoadBalance:基于加权轮询算法

那么负载均衡是在哪里被用的的呢?

AbstractClusterInvokerselectreselect方法。不熟悉这两个方法的,可以去看《Dubbo集群》

AbstractLoadBalance

抽象类封装了一些公共的逻辑,在看具体实现类之前,我们先看看抽象类AbstractLoadBalance中的方法

public <T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) {     if (invokers == null || invokers.isEmpty())         return null;     // 如果 invokers 列表中仅有一个 Invoker,直接返回即可,无需进行负载均衡     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,由子类实现     return doSelect(invokers, url, invocation); } 

LoadBalance接口只有一个方法,那就是 select 方法,这是负载均衡的入口。根据 invoker 数量判断是否需要进行负载均衡。这里的 doSelect 是个抽象方法,由子类实现。

protected int getWeight(Invoker<?> invoker, Invocation invocation) {     int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);     if (weight > 0) {         // 获取服务提供者启动时间戳         long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY, 0L);         if (timestamp > 0L) {             // 计算服务提供者运行时长             int uptime = (int) (System.currentTimeMillis() - timestamp);             // 获取服务预热时间,默认为10分钟             int warmup = invoker.getUrl().getParameter(Constants.WARMUP_KEY, Constants.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(uptime, warmup, weight);             }         }     }     return weight; }  static int calculateWarmupWeight(int uptime, int warmup, int weight) {     // 计算权重,下面代码逻辑上形似于 (uptime / warmup) * weight。     // 随着服务运行时间 uptime 增大,权重计算值 ww 会慢慢接近配置值 weight     int ww = (int) ((float) uptime / ((float) warmup / (float) weight));     return ww < 1 ? 1 : (ww > weight ? weight : ww); } 

getWeight 是获取权重的方法,默认权重为100,这里有个服务预热的操作,当服务的启动时间小于预热时间,权重会减少,这个权重由 calculateWarmupWeight 方法计算。

预热的目的是让服务启动后“低功率”运行一段时间,使其效率慢慢提升至最佳状态。

以上就是抽象类的全部方法。下面我们看实现类的。

RandomLoadBalance

RandomLoadBalance 是加权随机算法的具体实现,是Dubbo默认的负载均衡策略。

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。

Untitled

我们取一个大于等于0,小于10的随机数,计算随机数落在哪个区间。例如4在A区间,7在B区间。

权重越大,落在该区间的概率就越大。这就是加权随机算法。

下面看具体代码实现

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(); // Number of invokers         int totalWeight = 0; // The sum of weights         boolean sameWeight = true; // Every invoker has the same weight?         // 下面这个循环有两个作用,第一是计算总权重 totalWeight,         // 第二是检测每个服务提供者的权重是否相同         for (int i = 0; i < length; i++) {             int weight = getWeight(invokers.get(i), invocation);             totalWeight += weight; // Sum             // 检测当前服务提供者的权重与上一个服务提供者的权重是否相同,             // 不相同的话,则将 sameWeight 置为 false。             if (sameWeight && i > 0                     && weight != getWeight(invokers.get(i - 1), invocation)) {                 sameWeight = false;             }         }         if (totalWeight > 0 && !sameWeight) {             // 随机获取一个 [0, totalWeight) 区间内的数字             int offset = random.nextInt(totalWeight);             // Return a invoker based on the random value.             // 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 -= getWeight(invokers.get(i), invocation);                 if (offset < 0) {                     // 返回相应的 Invoker                     return invokers.get(i);                 }             }         }         // 如果所有服务提供者权重值相同,此时直接随机返回一个即可         return invokers.get(random.nextInt(length));     } } 

如果权重一致,就随机选择一个。如果权重不同,则根据权重分配。

LeastActiveLoadBalance

最小活跃数负载均衡。这个活跃数表示执行中的请求数量。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。

在流量均匀的情况下,活跃数越低的服务提供者,其性能越好。

protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {     int length = invokers.size(); // Number of invokers     // 最小的活跃数     int leastActive = -1; // The least active value of all invokers     // 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; // The number of invokers having the same least active value (leastActive)     // 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[] leastIndexs = new int[length]; // The index of invokers having the same least active value (leastActive)     int totalWeight = 0; // The sum of with warmup weights     // 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; // Initial value, used for comparision     boolean sameWeight = true; // Every invoker has the same weight value?      // 遍历 invokers 列表     for (int i = 0; i < length; i++) {         Invoker<T> invoker = invokers.get(i);         // 获取 Invoker 对应的活跃数         int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive(); // Active number         // 获取权重         int afterWarmup = getWeight(invoker, invocation); // Weight         // 发现更小的活跃数,重新开始         if (leastActive == -1 || active < leastActive) { // Restart, when find a invoker having smaller least active value.             // 使用当前活跃数 active 更新最小活跃数 leastActive             leastActive = active; // Record the current least active value             // 更新 leastCount 为 1             leastCount = 1; // Reset leastCount, count again based on current leastCount             // 记录当前下标值到 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?         // 当前 Invoker 的活跃数 active 与最小活跃数 leastActive 相同         } else if (active == leastActive) { // If current invoker's active value equals with leaseActive, then accumulating.             // 在 leastIndexs 中记录下当前 Invoker 在 invokers 集合中的下标             leastIndexs[leastCount++] = i; // Record index number of this invoker             // 累加权重             totalWeight += afterWarmup; // Add this invoker's weight to totalWeight.             // 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;             }         }     }     // assert(leastCount > 0)     // 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(leastIndexs[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 = random.nextInt(totalWeight) + 1;         // 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 = leastIndexs[i];             // 获取权重值,并让随机数减去权重值             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.     // 如果权重相同或权重为0时,随机返回一个 Invoker     return invokers.get(leastIndexs[random.nextInt(leastCount)]); } 

代码比较多,不过都有注释,耐心看即可。这里大体做了几件事:

  1. 遍历 invokers 集合,找出活跃数最小的 invoker
  2. 如果只有一个 invoker 有最小活跃数,则返回
  3. 如果有多个 invoker 有相同的最小活跃数,则这些 invoker 进行加权随机算法处理(也就是对这几个最小活跃数 invoker 进行 RandomLoadBalance 的逻辑)

这里有个点想扩展说下,就是获取活跃数的方法

RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive();

RpcStatus记录着当前调用次数、总数、失败数、调用间隔等状态信息。

这些信息,在服务消费者端由ActiveLimitFilter记录,在服务提供者端由ExecuteLimitFilter记录。也就是,想要拿到正确的活跃数,需要ActiveLimitFilter生效才行。

@Activate(group = Constants.CONSUMER, value = Constants.ACTIVES_KEY) public class ActiveLimitFilter implements Filter 

ActiveLimitFilter生效需要满足两个条件,消费者端以及URL中携带actives参数。actives可在消费者端或生产者端配置,含义为:每服务消费者每服务每方法最大并发调用数

<dubbo:service interface="com.alibaba.dubbo.demo.DemoService" ref="demoService" registry="remoteRegistry" actives="5" /> <dubbo:reference id="demoService" interface="com.alibaba.dubbo.demo.DemoService" loadbalance="leastactive" actives="5" /> 

当然,也能给消费者接口指定过滤器的方法来启用ActiveLimitFilter

<dubbo:reference id="demoService" interface="com.alibaba.dubbo.demo.DemoService" filter="activelimit" /> 

RoundRobinLoadBalance

RoundRobinLoadBalance是加权轮询负载均衡的实现。加权轮询的原理步骤如下:

假设服务 [A, B, C] 的权重为 [5, 1, 1] ,即总权重为 7, 当前权重currentWeight初始为[0, 0, 0]

  1. 当前权重加上每个服务各自的权重,跳转步骤2

    此时currentWeight为 [0+5, 0+1, 0+1] = [5, 1, 1]

  2. 返回currentWeight中最高的服务,跳转步骤3

    currentWeight为 [5, 1, 1] ,返回服务A

  3. 将第2步中的那个最高权重在currentWeight对应的值减去总权重,跳转步骤4

    currentWeight为 [5 – 7, 1, 1] = [-2, 1, 1]

  4. 重复步骤1

下面的GIF图为了好表示柱状图,所以我将currentWeight初始权重变为10

Untitled

经过一定循环次数,最终currentWeight又会回归初始值。而这个循环次数计算如下:

次数 = 服务A的权重 + 服务B的权重 + …

每个服务的调用次数也等于它的权重

看完原理,我们继续看源码

protected <T> Invoker<T> doSelect(List<Invoker<T>> 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();     // 获取 url 到 WeightedRoundRobin 映射表,如果为空,则创建一个新的     ConcurrentMap<String, WeightedRoundRobin> map = methodWeightMap.get(key);     if (map == null) {         methodWeightMap.putIfAbsent(key, new ConcurrentHashMap<String, WeightedRoundRobin>());         map = methodWeightMap.get(key);     }     // 权重总和     int totalWeight = 0;     // 最大权重     long maxCurrent = Long.MIN_VALUE;     long now = System.currentTimeMillis();     Invoker<T> 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<T> invoker : invokers) {         String identifyString = invoker.getUrl().toIdentityString();         WeightedRoundRobin weightedRoundRobin = map.get(identifyString);         int weight = getWeight(invoker, invocation);         if (weight < 0) {             weight = 0;         }         // 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);             weightedRoundRobin = map.get(identifyString);         }         // 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);         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 <identifyString, WeightedRoundRobin> 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<String, WeightedRoundRobin> newMap = new ConcurrentHashMap<String, WeightedRoundRobin>();                 // 拷贝                 newMap.putAll(map);                  // 遍历修改,即移除过期记录                 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) {         // 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); } 

注释写的很详细了,和原理步骤差不多,源码中多个对长时间未更新 invoker 的处理。

ConsistentHashLoadBalance

一致性Hash算法。

其原理简单讲,就是假定有一个圆环,每个服务根据其 hash 值,在圆环上有个位置(如图的cache-1、cache-2等)。当有请求过来的,同样根据请求的 hash 值确定请求的位置,并根据请求的位置去获取最近的下一个服务的位置。如下图:

Untitled

当请求落在 cache-2 和 cache-3 之间时,下一个最近的是 cache-3,如果 cache-3 服务不可用,那么最近的下个服务就是 cache-4

这时,又引入了一个资源倾斜的问题,那就是大量请求集中在同一个服务中。由于服务在圆环上分布不均,导致大部分请求都落在cache-2中,如下图:

Untitled

那么该如何处理资源倾斜的问题?引入虚拟节点,就是一个服务有多个多个位置,这样就能使请求更均匀,如下图:

Untitled

以上就是一致性hash算法的原理。下面讲讲Dubbo的源码

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;          // 获取 invokers 原始的 hashcode         int identityHashCode = System.identityHashCode(invokers);         ConsistentHashSelector<T> selector = (ConsistentHashSelector<T>) 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) {             // 创建新的 ConsistentHashSelector             selectors.put(key, new ConsistentHashSelector<T>(invokers, methodName, identityHashCode));             selector = (ConsistentHashSelector<T>) selectors.get(key);         }         // 调用 ConsistentHashSelector 的 select 方法选择 Invoker         return selector.select(invocation);     }      private static final class ConsistentHashSelector<T> {...} } 

doSelect 方法先从缓存获取 selector ,如果缓存没有,则创建并放入缓存。然后调用 selector.select 方法获取 invoker 。所以一致性 hash 的实现,在ConsistentHashSelector中。我们先看其构造方法

ConsistentHashSelector(List<Invoker<T>> invokers, String methodName, int identityHashCode) {     // 可以认为virtualInvokers组成了hash环     this.virtualInvokers = new TreeMap<Long, Invoker<T>>();     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 = 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++) {             // 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);             }         }     } } 

ConsistentHashSelector的构造方法,主要是计算 invokers 的每一个 invoker 的hash,并将其放入 virtualInvokers 中。从这里可以看到,Dubbo默认的虚拟节点为160个。对比一致性 hash 算法中,virtualInvokers 就是 hash 环,invoker 就是节点。

我们继续看如何从 hash 环中找到最近的节点

public Invoker<T> 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 Invoker<T> 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<Long, Invoker<T>> entry = virtualInvokers.tailMap(hash, true).firstEntry();     // 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();     }     return entry.getValue(); } 

选择的过程也很简单,依赖的是 TreeMap 的 tailMap 方法。

总结

本文介绍了Dubbo内置的4中负载均衡实现。至此,Dubbo的集群容错的四个部分,也就是服务目录 Directory、服务路由 Router、集群 Cluster 和负载均衡 LoadBalance 都已全部讲完。


参考资料

Dubbo开发指南

商匡云商
Logo
注册新帐户
对比商品
  • 合计 (0)
对比
0
购物车