【云原生&微服务八】Ribbon负载均衡策略之WeightedResponseTimeRule源码剖析(响应时间加权)

【云原生&微服务八】Ribbon负载均衡策略之WeightedResponseTimeRule源码剖析(响应时间加权)

文章目录

​​一、前言​​​​二、WeightedResponseTimeRule​​

​​1、计算权重？​​

​​1）如何更新权重？​​​​2）如何计算权重？​​​​3）例证权重的计算​​

​​2、权重的使用​​

​​1）权重区间问题？​​

一、前言

前置Ribbon相关文章：

​​【云原生&微服务一】SpringCloud之Ribbon实现负载均衡详细案例（集成Eureka、Ribbon）​​​​【云原生&微服务二】SpringCloud之Ribbon自定义负载均衡策略（含Ribbon核心API）​​​​【云原生&微服务三】SpringCloud之Ribbon是这样实现负载均衡的（源码剖析@LoadBalanced原理）​​​​【云原生&微服务四】SpringCloud之Ribbon和Erueka集成的细节全在这了（源码剖析）​​​​【微服务五】Ribbon随机负载均衡算法如何实现的​​​​【微服务六】Ribbon负载均衡策略之轮询(RoundRobinRule)、重试(RetryRule)​​​​【微服务七】Ribbon负载均衡策略之BestAvailableRule​​

我们聊了以下问题：

为什么给RestTemplate类上加上了@LoadBalanced注解就可以使用Ribbon的负载均衡？SpringCloud是如何集成Ribbon的？Ribbon如何作用到RestTemplate上的？如何获取到Ribbon的ILoadBalancer？ZoneAwareLoadBalancer（属于ribbon）如何与eureka整合，通过eureka client获取到对应注册表?ZoneAwareLoadBalancer如何持续从Eureka中获取最新的注册表信息?如何根据负载均衡器​​ILoadBalancer​​​从Eureka Client获取到的​​List​​中选出一个Server？Ribbon如何发送网络HTTP请求？Ribbon如何用IPing机制动态检查服务实例是否存活？Ribbon负载均衡策略之随机（​​RandomRule​​​）、轮询（​​RoundRobinRule​​​）、重试（​​RetryRule​​​）、选择并发量最小的（​​BestAvailableRule​​）实现方式；

本文继续讨论 根据响应时间加权算法（​​WeightedResponseTimeRule​​）是如何实现的？

二、WeightedResponseTimeRule

​​WeightedResponseTimeRule​​​继承自​​RoundRobinRule​​，也就是说该策略是对RoundRobinRule的扩展，其增加了 根据实例运行情况来计算权重 并根据权重挑选实例的规则，以达到更优的负载、实例分配效果。

下面我们一点点来看WeightedResponseTimeRule是如何实现根据相应时间计算权重并根据权重挑选实例的？

1、计算权重？

WeightedResponseTimeRule在初始化的时候会初始化父类​​RoundRobinRule​​​，在​​RoundRobinRule​​​的有参构造函数中会调用​​setLoadBalancer(ILoadBalancer)​​​方法，WeightedResponseTimeRule类中重写了​​setLoadBalancer(ILoadBalancer)​​​方法，在​​setLoadBalancer(ILoadBalancer)​​​中会调用​​initialize(ILoadBalancer)​​对权重进行初始化、并定时更新。

public static final int DEFAULT_TIMER_INTERVAL = 30 * 1000;private int serverWeightTaskTimerInterval = DEFAULT_TIMER_INTERVAL;

1）如何更新权重？

WeightedResponseTimeRule通过Timer#schedule()方法启动一个上一个任务结束到下一个任务开始之间间隔30s执行一次的定时任务为每个服务实例计算权重；

定时任务的主体是​​DynamicServerWeightTask​​：

// WeightedResponseTimeRule的内部类class DynamicServerWeightTask extends TimerTask { public void run() { ServerWeight serverWeight = new ServerWeight(); try { serverWeight.maintainWeights(); } catch (Exception e) { logger.error("Error running DynamicServerWeightTask for {}", name, e); } }}

DynamicServerWeightTask的run()方法中会实例化一个​​ServerWeight​​​对象，并通过其​​maintainWeights()​​方法计算权重。

2）如何计算权重？

无论是权重的初始化还是权重的定时更新，都是使用​​ServerWeight#maintainWeights()​​方法来计算权重：

// WeightedResponseTimeRule的内部类class ServerWeight { public void maintainWeights() { ILoadBalancer lb = getLoadBalancer(); if (lb == null) { return; } // CAS保证只有一个线程可以进行权重的计算操作 if (!serverWeightAssignmentInProgress.compareAndSet(false, true)) { return; } try { logger.info("Weight adjusting job started"); AbstractLoadBalancer nlb = (AbstractLoadBalancer) lb; LoadBalancerStats stats = nlb.getLoadBalancerStats(); if (stats == null) { return; } // 所有实例的平均响应时间总和 double totalResponseTime = 0; for (Server server : nlb.getAllServers()) { // 汇总每个实例的平均响应时间到totalResponseTime上 ServerStats ss = stats.getSingleServerStat(server); totalResponseTime += ss.getResponseTimeAvg(); } // 计算每个实例的权重：weightSoFar + totalResponseTime - 实例的平均响应时间 // 实例的平均响应时间越长、权重就越小，就越不容易被选择到 Double weightSoFar = 0.0; List finalWeights = new ArrayList(); for (Server server : nlb.getAllServers()) { ServerStats ss = stats.getSingleServerStat(server); double weight = totalResponseTime - ss.getResponseTimeAvg(); weightSoFar += weight; finalWeights.add(weightSoFar); } setWeights(finalWeights); } catch (Exception e) { logger.error("Error calculating server weights", e); } finally { // 表示权重计算结束，允许其他线程进行权重计算 serverWeightAssignmentInProgress.set(false); } }}

方法的核心逻辑：

LoadBalancerStats中记录了每个实例的统计信息，累加所有实例的平均响应时间，得到总平均响应时间​​totalResponseTime​​；为负载均衡器中维护的实例列表逐个计算权重（从第一个开始），计算规则为：weightSoFar + totalResponseTime - 实例的平均响应时间；其中​​weightSoFar​​初始化为零，并且每计算好一个权重需要累加到weightSoFar上供下一次计算使用；

3）例证权重的计算

举个例子，假如服务A有四个实例：A、B、C、D，他们的平均响应时间（单位：ms）为：10、50、100、200。

服务A的所有实例的总响应时间（​​totalResponseTime​​​）为：​​10 + 50 + 100 + 200 = 360​​；每个实例的权重计算规则为：​​总响应时间（totalResponseTime）​​​ 减去​​实例的平均响应时间​​​ +​​累加的权重weightSoFar​​，具体到每个实例的计算如下：实例A：​​230 - 10 + 0 = 220​​（weightSoFar = 0）实例B：​​230 - 50 + 220 = 400​​（weightSoFar = 220）实例C：​​230 - 100 + 400 = 530​​（weightSoFar = 400）实例D：​​230 - 200 + 530 = 560​​（weightSoFar = 530）

这里的权重值表示各实例权重区间的上限，以上面的计算结果为例，它为这4个实例各构建了一个区间：

每个实例的区间下限是上一个实例的区间上限;每个实例的区间上限是我们计算出的并存储于在​​List​​类型的accumulatedWeights变量中的权重值，其中第一个实例的下限默认为零。

所以，根据上面示例的权重计算结果，我们可以得到每个实例的权重区间：

实例A：​​[0，220]​​（weightSoFar = 0）实例B：​​(220, 400]​​（weightSoFar = 220）实例C：​​(400, 530]​​（weightSoFar = 400）实例D：​​(530, 560]​​（weightSoFar = 530）

从这里我们可以确定每个区间的宽度实际就是：​​总的平均响应时间 - 实例的平均响应时间​​，所以服务实例的平均响应时间越短、权重区间的宽度就越大，服务实例被选中的概率就越高。

这些区间边界的开闭如何确定？区间在哪里使用？

2、权重的使用

我们知道Ribbon负载均衡算法体现在IRule的choose(Object key)方法中，而choose(Object key)方法中又会调用​​choose(ILoadBalancer lb, Object key)​​​方法，所以我们只需要看WeightedResponseTimeRule的​​choose(ILoadBalancer lb, Object key)​​方法：

方法的核心流程如下：

如果服务实例的最大权重值 < 0.001 或者服务的实例个数发生变更，则采用父类​​RoundRobinRule​​做轮询负载；否则，利用Random函数生成一个随机数randomWeight，然后遍历权重列表，找到第一个权重值大于等于随机数randomWeight的列表索引下标，然后拿当前权重列表的索引值去服务实例列表中获取具体实例。

1）权重区间问题？

正常每个区间都为​​(x, y]​​，但是第一个实例和最后一个实例不同：

由于随机数的最小取值可以为0，所以第一个实例的下限是闭区间；随机数的最大值取不到最大权重值，所以最后一个实例的上限是开区间；

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。