源码分析Dubbo负载算法

>>强大,10k+点赞的 SpringBoot 后台管理系统竟然出了详细教程!

微信公众号:[中间件兴趣圈]
作者简介:《RocketMQ技术内幕》作者

Dubbo支持在服务调用方对服务提供者采用负载均衡算法,LoadBalance接口定义如下:

 1@SPI(RandomLoadBalance.NAME)
2public interface LoadBalance {
3
4    /**
5     * select one invoker in list.
6     * 
7     * @param invokers invokers.
8     * @param url refer url
9     * @param invocation invocation.
10     * @return selected invoker.
11     */

12    @Adaptive("loadbalance")
13    <T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) throws RpcException;
14}

从中透露出如下几个信息:
默认如果不配置,使用RandomLoadBalance策略(加权随机负载算法)。整个Dubbo的负载均衡类图如下所示:

源码分析Dubbo负载算法


上述各种路由负载策略,对应的配置值如下:dubbo-clustersrcmainresourcesMETA-INFdubbointernalcom.alibaba.dubbo.rpc.cluster.LoadBalance

  • random
    random=com.alibaba.dubbo.rpc.cluster.loadbalance.RandomLoadBalance

  • roundrobin
    roundrobin=com.alibaba.dubbo.rpc.cluster.loadbalance.RoundRobinLoadBalance

  • leastactive
    leastactive=com.alibaba.dubbo.rpc.cluster.loadbalance.LeastActiveLoadBalance

  • consistenthash
    consistenthash=com.alibaba.dubbo.rpc.cluster.loadbalance.ConsistentHashLoadBalance
    其配置使用,通常一般在< dubbo:consumer/>、< dubbo:service />、< dubbo:reference />的loadbalance属性配置,通常< dubbo:consumer/>这个属性指定消费端的默认策略,某些服务需要指定特殊负载均衡策略的话,一般通过< dubbo:reference />来指定。
    如果各位对其源码实现比较有兴趣的话,可以看接下来的部分,源码分析各种负载算法的具体实现细节。

一致性Hash算法

源码分析Dubbo负载算法



一致Hash算法,通常用在缓存领域,主要解决的问题是当数据节点数量发送变化后,尽量减少数据的迁移,在负责算法领域,个人不建议使用。Dubbo一致性Hash算法的实现逻辑主要分布在ConsistentHashLoadBalance的内部类ConsistentHashSelector中。

核心属性与构造方法

1private final TreeMap<Long, Invoker<T>> virtualInvokers;
2private final int                       replicaNumber;
3private final int                       identityHashCode;
4private final int[]                     argumentIndex;
  • TreeMap< Long, Invoker< T>> virtualInvokers:虚拟节点,使用TreeMap实现Hash环,将Invoker分布在环上。

  • int                       replicaNumber:虚拟节点个数。

  • int                       identityHashCode:HashCode。

  • int[]                     argumentIndex:需要参与hash的参数索引,,argumentIndex = [0,1]表示服务方法的第一个,第二个参数参与hashcode计算。

接下来看一下其构造方法:

 1public ConsistentHashSelector(List<Invoker<T>> invokers, String methodName, int identityHashCode{
2    this.virtualInvokers = new TreeMap<Long, Invoker<T>>();
3    this.identityHashCode = System.identityHashCode(invokers);    // @1
4    URL url = invokers.get(0).getUrl();
5    this.replicaNumber = url.getMethodParameter(methodName, "hash.nodes"160);   // @2
6    String[] index = Constants.COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, "hash.arguments""0"));   // @3 start
7    argumentIndex = new int[index.length];
8    for (int i = 0; i < index.length; i ++) {
9          argumentIndex[i] = Integer.parseInt(index[i]);
10    }  // @3 end
11    for (Invoker<T> invoker : invokers) {    // @4
12         for (int i = 0; i < replicaNumber / 4; i++) {
13               byte[] digest = md5(invoker.getUrl().toFullString() + i);
14               for (int h = 0; h < 4; h++) { 
15                     long m = hash(digest, h);
16                     virtualInvokers.put(m, invoker);  
17                }
18           }
19      } // @4 end
20    }

代码@1:根据所有的调用者生成一个HashCode,用该HashCode值来判断服务提供者是否发生了变化。

代码@2:获取服务提供者< dubbo:method/>标签的hash.nodes属性,如果为空,默认为160,表示一致性hash算法中虚拟节点数量。其配置方式如下:

1dubbo:method ... >
2    dubbo:parameter key="hash.nodes" value="160" />
3    dubbo:parameter key="hash.arguments" value="0,1" />
4< /dubbo:method/>

代码@3:一致性Hash算法,在dubbo中,相同的服务调用参数走固定的节点,hash.arguments表示哪些参数参与hashcode,默认值“0”,表示第一个参数。

代码@4:为每一个Invoker创建replicaNumber 个虚拟节点,每一个节点的Hashcode不同。同一个Invoker不同hashcode的创建逻辑为:
invoker.getUrl().toFullString() + i (0-39)的值,对其md5,然后用该值+h(0-3)的值取hash。一致性hash实现的一个关键是如果将一个Invoker创建的replicaNumber个虚拟节点(hashcode)能够均匀分布在Hash环上,Dubbo给出的实现如下,由于能力有限,目前并未真正理解如下方法的实现依据:

1private long hash(byte[] digest, int number{
2            return (((long) (digest[3 + number * 4] & 0xFF) << 24)
3                    | ((long) (digest[2 + number * 4] & 0xFF) << 16)
4                    | ((long) (digest[1 + number * 4] & 0xFF) << 8)
5                    | (digest[number * 4] & 0xFF))
6                    & 0xFFFFFFFFL;
7        }

综上所述,构造函数主要完成一致性Hash算法Hash环的构建,利用了TreeMap的有序性来实现。

一致性Hash算法具体实现逻辑

public Invoker< T> select(Invocation invocation)

1public Invoker<T> select(Invocation invocation{
2     String key = toKey(invocation.getArguments());   // @1
3     byte[] digest = md5(key);                                      // @2
4     return selectForKey(hash(digest, 0));                   // @3
5}

代码@1:根据调用参数,并根据hash.arguments配置值,获取指定的位置的参数值,追加一起返回。

代码@2:对Key进行md5签名。

代码@3:根据key进行选择调用者。

ConsistentHashSelector#selectForKey

1private Invoker<T> selectForKey(long hash{
2     Map.Entry<Long, Invoker<T>> entry = virtualInvokers.tailMap(hash, true).firstEntry();    // @1
3     if (entry == null) {    // @2
4         entry = virtualInvokers.firstEntry();
5     }
6     return entry.getValue();   // @3
7}

代码@1,对虚拟节点,从virtualInvokers中选取一个子集,subMap(hash,ture,lastKey,true),其实就是实现根据待查找hashcode(key)顺时针,选中大于等于指定key的第一个key。

代码@2,如果未找到,则返回virtualInvokers第一个key。

代码@3:根据key返回指定的Invoker即可。

这里实现,应该可以不使用tailMap,代码修改如下:

1private Invoker<T> selectForKey(long hash{
2     Map.Entry<Long, Invoker<T>> entry = virtualInvokers.ceilingEntry(hash);
3     if(entry == null ) {
4         entry = virtualInvokers.firstEntry();
5     }
6     return entry.getValue();
7}

如果想要了解TreeMap关于这一块的特性(tailMap、ceillingEntry、headMap)等API的详细解释,可以查看我的另外一篇博文:https://blog.csdn.net/prestigeding/article/details/80821576

random加权随机

Dubbo预热机制(权重)

由于roundrobin(加权轮询)、random(加权随机)、leastactive(最小活跃连接数)都与权重有关系,在介绍这两种负载均衡算法之前,我们首先看一下Dubbo关于权重的获取逻辑,代码见AbstractLoadBalance#getWeigh方法:

 1protected int getWeight(Invoker<?> invoker, Invocation invocation) {
2        int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);   // @1
3        if (weight > 0) {
4            long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY, 0L);  // @2
5            if (timestamp > 0L) {
6                int uptime = (int) (System.currentTimeMillis() - timestamp);
7                int warmup = invoker.getUrl().getParameter(Constants.WARMUP_KEY, Constants.DEFAULT_WARMUP);  // @3
8                if (uptime > 0 && uptime < warmup) {
9                    weight = calculateWarmupWeight(uptime, warmup, weight);   // @4
10                }
11            }
12        }
13        return weight;
14    }

代码@1:首先获取服务提供者的权重(weight)。

代码@2:获取服务提供者的启动时间,在服务提供者启动时,会将启动时间戳存储在服务提供者的URL中,在服务发现(RegistryDirecotry)服务发现时,会将服务提供者的时间戳KEY,换成REMOTE_TIMESTAMP_KEY,避免与服务消费者的启动时间戳冲突。

代码@3:获取服务提供者是否开启预热机制,通过服务提供者< dubbo:service warmup=""/>参数来设置,如果未设置,去默认值10 * 60 * 1000(10分钟)。

代码@4:如果服务提供者启动时间小于预热时间(预热期间),需要根据启动时间,来计算预热期间服务提供者的权重。

AbstractLoadBalance#calculateWarmupWeight

1static int calculateWarmupWeight(int uptime, int warmup, int weight) // @1
2        int ww = (int) ((float) uptime / ((float) warmup / (float) weight));
3        return ww < 1 ? 1 : (ww > weight ? weight : ww);
4    }

代码@1:参数说明,uptime:服务提供者启动时间;warmup:设置的预热时间;weight:服务提供者的权重,该方法在uptime < warmup时被调用 该方法的实现,就是在预热期间,根据启动时间,动态返回该服务提供者的权重,并且启动时间越长,返回的权重越接近weight,启动时间超过预热时间,则直接返回weight。 该方法单元测试:

源码分析Dubbo负载算法

其输出结果:这里写图片描述

源码分析Dubbo负载算法

加权随机算法实现

 1protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation{
2        int length = invokers.size(); // Number of invokers                    
3        int totalWeight = 0// The sum of weights       // @1 start
4        boolean sameWeight = true// Every invoker has the same weight?
5        for (int i = 0; i < length; i++) {
6            int weight = getWeight(invokers.get(i), invocation);
7            totalWeight += weight; // Sum
8            if (sameWeight && i > 0
9                    && weight != getWeight(invokers.get(i - 1), invocation)) {
10                sameWeight = false;
11            }
12        }   // @1 end
13        if (totalWeight > 0 && !sameWeight) {    // @2
14            // If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight.
15            int offset = random.nextInt(totalWeight);
16            // Return a invoker based on the random value.
17            for (int i = 0; i < length; i++) {
18                offset -= getWeight(invokers.get(i), invocation);
19                if (offset < 0) {
20                    return invokers.get(i);
21                }
22            }
23        }
24        // If all invokers have the same weight value or totalWeight=0, return evenly.
25        return invokers.get(random.nextInt(length));  // @3
26    }

代码@1:首先求所有服务提供者的总权重,并判断每个服务提供者的权重是否相同。

代码@2:如果提供者之间的权重不相同,则产生一个随机数(0-totalWeight),视为offset,然后依次用offset减去服务提供者的权重,如果减去(offset - provider.weight < 0),则该invoker命中。

代码@3:如果服务提供者的权重相同,则随机产生[0-invoker.size)即可。

roundrobin加权轮询算法

加权轮询算法的核心算法是按权重轮询,一个基本点是应该是一个当前序号与服务提供者数量取模,需要结合权重。Dubbo使用如下数据结构存储当前序号:

 1private final ConcurrentMap<String, AtomicPositiveInteger> sequences = new ConcurrentHashMap<String, AtomicPositiveInteger>();键值:serviceKey(<dubbo:service interface=""/>+ methodname),每个方法采用不同的计数器。
2RoundRobinLoadBalance #doSelect
3protected <TInvoker<TdoSelect(List<Invoker<T>> invokersURL urlInvocation invocation
{
4        String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();    // @1
5        int length = invokers.size(); // Number of invokers
6        int maxWeight = 0// The maximum weight
7        int minWeight = Integer.MAX_VALUE; // The minimum weight
8        final LinkedHashMap<Invoker<T>, IntegerWrapper> invokerToWeightMap = new LinkedHashMap<Invoker<T>, IntegerWrapper>();   // @2 start
9        int weightSum = 0;
10        for (int i = 0; i < length; i++) {
11            int weight = getWeight(invokers.get(i), invocation);
12            maxWeight = Math.max(maxWeight, weight); // Choose the maximum weight
13            minWeight = Math.min(minWeight, weight); // Choose the minimum weight
14            if (weight > 0) {
15                invokerToWeightMap.put(invokers.get(i), new IntegerWrapper(weight));
16                weightSum += weight;
17            }
18        }   // @2 end 
19        AtomicPositiveInteger sequence = sequences.get(key);
20        if (sequence == null) {
21            sequences.putIfAbsent(key, new AtomicPositiveInteger());
22            sequence = sequences.get(key);
23        }
24        int currentSequence = sequence.getAndIncrement();    // @3
25        if (maxWeight > 0 && minWeight < maxWeight) {   // @4
26            int mod = currentSequence % weightSum;
27            for (int i = 0; i < maxWeight; i++) {
28                for (Map.Entry<Invoker<T>, IntegerWrapper> each : invokerToWeightMap.entrySet()) {
29                    final Invoker<T> k = each.getKey();
30                    final IntegerWrapper v = each.getValue();
31                    if (mod == 0 && v.getValue() > 0) {
32                        return k;
33                    }
34                    if (v.getValue() > 0) {
35                        v.decrement();
36                        mod--;
37                    }
38                }
39            }
40        }
41        // Round robin
42        return invokers.get(currentSequence % length);   // @5
43    }

代码@1:构建ConcurrentMap< String, AtomicPositiveInteger> sequences中的key,以interface+methodname为键,里面存储的是当前序号(轮询)。

代码@2:构建LinkedHashMap< Invoker< T>, IntegerWrapper>存储结构,通过遍历所有Invoker,构建每个Invoker的权重,与此同时算出总权重,并且得出所有服务提供者权重是否相同。

代码@3:获取当前的轮询序号,用于取模。

代码@4:如果服务提供者之间的权重有差别,需要按权重轮询,实现方式是:
1)用当前轮询序号与服务提供者总权重取模,余数为mod。
2)然后从0循环直到最大权重,针对每一次循环,按同一顺序遍历所有服务提供者,如果mod等于0并且对应的Invoker的权重计算器大于0,则选择该服务提供者;否则,mod--,invoker对应的权重减一,权重是临时比那里LinkedHashMap< Invoker< T>, IntegerWrapper>。由于外层循环的次数为所有服务提供者的最大权重,内层循环当mod等于0时,肯定会有一个服务提供者的权重计数器大于0,而返回对应的服务提供者。返回的服务提供者是第一个满足的服务提供者,后续的服务提供者在下一次就会有机会, 因为下一次mod会增大1,后续的服务提供者通过轮询会被选择,选择的机会,取决于权重的大小。

代码@5:如果各服务提供者权重相同,则直接对服务提供者取模即可,轮询后递增。

leastactive最少活跃连接数算法

最小活跃连接数,其核心实现就是,首先找到服务提供者当前最小的活跃连接数,如果一个服务提供者的服务连接数比其他的都要小,则选择这个活跃连接数最小的服务提供者发起调用,如果存在多个服务提供者的活跃连接数,并且是最小的,则在这些服务提供者之间选择加权随机算法选择一个服务提供者。

 1protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation{
2        int length = invokers.size(); // Number of invokers                                                                                            // @1 start
3        int leastActive = -1// The least active value of all invokers
4        int leastCount = 0// The number of invokers having the same least active value (leastActive)
5        int[] leastIndexs = new int[length]; // The index of invokers having the same least active value (leastActive)
6        int totalWeight = 0// The sum of weights
7        int firstWeight = 0// Initial value, used for comparision
8        boolean sameWeight = true// Every invoker has the same weight value?                                                      // @1 end
9        for (int i = 0; i < length; i++) {                                                                                                                             // @2 
10            Invoker<T> invoker = invokers.get(i);
11            int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive(); // Active number
12            int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT); //          
13                                                    // Weight
14            if (leastActive == -1 || active < leastActive) { // Restart, when find a invoker having smaller least active value.              // @3
15                leastActive = active; // Record the current least active value
16                leastCount = 1// Reset leastCount, count again based on current leastCount
17                leastIndexs[0] = i; // Reset
18                totalWeight = weight; // Reset
19                firstWeight = weight; // Record the weight the first invoker
20                sameWeight = true// Reset, every invoker has the same weight value?
21            } else if (active == leastActive) { // If current invoker's active value equals with leaseActive, then accumulating.       // @4
22                leastIndexs[leastCount++] = i; // Record index number of this invoker
23                totalWeight += weight; // Add this invoker's weight to totalWeight.
24                // If every invoker has the same weight?
25                if (sameWeight && i > 0
26                        && weight != firstWeight) {
27                    sameWeight = false;
28                }
29            }
30        }
31        // assert(leastCount > 0)
32        if (leastCount == 1) {     // @5
33            // If we got exactly one invoker having the least active value, return this invoker directly.
34            return invokers.get(leastIndexs[0]);
35        }
36        if (!sameWeight && totalWeight > 0) {    // @6
37            // If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight.
38            int offsetWeight = random.nextInt(totalWeight);
39            // Return a invoker based on the random value.
40            for (int i = 0; i < leastCount; i++) {
41                int leastIndex = leastIndexs[i];
42                offsetWeight -= getWeight(invokers.get(leastIndex), invocation);
43                if (offsetWeight <= 0)
44                    return invokers.get(leastIndex);
45            }
46        }
47        // If all invokers have the same weight value or totalWeight=0, return evenly.
48        return invokers.get(leastIndexs[random.nextInt(leastCount)]);
49    }

代码@1:解释相关局部变量。

  • length :服务提供者数量。

  • leastActive :服务提供者的最小活跃连接数,初始化为-1。

  • leastCount :服务提供者中都是活跃连接数的个数,例如,3个服务提供者当前的活跃连接数分别为 100,102,100,则leastCount 为2。

  • leastIndexs:存放拥有活跃连接数的Invoker索引,例如上面100,102,100,则leastIndexs[0]=0, leastIndexs[1] = 2;

  • totalWeight:拥有最小活跃连接数的Invoker的总权重。

  • firstWeight :第一个最小活跃连接数的Invoker的权重。

  • sameWeight :拥有最小活跃连接数的Invoker权重是否相同。

代码@2:遍历所有的服务提供者,计算上述变量的值。

代码@3:如果leastActive (最小活跃连接数为-1,表示第一次遍历)或最新连接数大于当前遍历的Invoker的活跃连接数,需要reset如下值,重新计算:

1      leastActive = active; // Record the current least active value
2      leastCount = 1// Reset leastCount, count again based on current leastCount
3      leastIndexs[0] = i; // Reset
4      totalWeight = weight; // Reset
5      firstWeight = weight; // Record the weight the first invoker
6      sameWeight = true// Reset, every invoker has the same weight value?

代码@4:如果当前遍历的服务提供者的活跃数等于leastActive ,则将总权重想加,并在leastIndexs中记录服务提供者序号。

代码@5,如果最小活跃连接数的服务提供者数量只有一个,则直接返回该服务提供者。

代码@6,如果最小活跃连接数的服务提供者有多个,则使用加权随机算法选取服务提供者。

关于Dubbo的4种负载均衡算法的实现细节就分析到这里了。


广告:作者新书《RocketMQ技术内幕》已上市

源码分析Dubbo负载算法

《RocketMQ技术内幕》已出版上市,目前可在主流购物平台(京东、天猫等)购买,本书从源码角度深度分析了RocketMQ NameServer、消息发送、消息存储、消息消费、消息过滤、主从同步HA、事务消息;在实战篇重点介绍了RocketMQ运维管理界面与当前支持的39个运维命令;并在附录部分罗列了RocketMQ几乎所有的配置参数。本书得到了RocketMQ创始人、阿里巴巴Messaging开源技术负责人、Linux OpenMessaging 主席的高度认可并作序推荐。目前是国内第一本成体系剖析RocketMQ的书籍。
新书7折优惠!7折优惠!7折优惠!



更多文章请关注微信公众号:

源码分析Dubbo负载算法

推荐关注微信公众号:RocketMQ官方微信公众号

源码分析Dubbo负载算法


原文始发于微信公众号(中间件兴趣圈):源码分析Dubbo负载算法