Dubbo源码 - 负载均衡

女爷i 2024-04-08 09:06 180阅读 0赞

前言

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

0070d0f34f78adb5e5831dbf3bc6c013.png

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？

AbstractClusterInvoker 的 select 和 reselect 方法。

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

  1. public <T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) {
  2.     if (invokers == null || invokers.isEmpty())
  3.         return null;
  4.     // 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
  5.     if (invokers.size() == 1)
  6.         return invokers.get(0);
  7.     // 调用 doSelect 方法进行负载均衡，该方法为抽象方法，由子类实现
  8.     return doSelect(invokers, url, invocation);
  9. }

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。

  1. protected int getWeight(Invoker<?> invoker, Invocation invocation) {
  2.     int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);
  3.     if (weight > 0) {
  4.         // 获取服务提供者启动时间戳
  5.         long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY, 0L);
  6.         if (timestamp > 0L) {
  7.             // 计算服务提供者运行时长
  8.             int uptime = (int) (System.currentTimeMillis() - timestamp);
  9.             // 获取服务预热时间，默认为10分钟
  10.             int warmup = invoker.getUrl().getParameter(Constants.WARMUP_KEY, Constants.DEFAULT_WARMUP);
  11.             // 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
  12.             if (uptime > 0 && uptime < warmup) {
  13.                 // 重新计算服务权重
  14.                 weight = calculateWarmupWeight(uptime, warmup, weight);
  15.             }
  16.         }
  17.     }
  18.     return weight;
  19. }
  21. static int calculateWarmupWeight(int uptime, int warmup, int weight) {
  22.     // 计算权重，下面代码逻辑上形似于 (uptime / warmup) * weight。
  23.     // 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
  24.     int ww = (int) ((float) uptime / ((float) warmup / (float) weight));
  25.     return ww < 1 ? 1 : (ww > weight ? weight : ww);
  26. }

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。

4d6c36eaf7f46d22b073a6a401f18bd8.png

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

  1. public class RandomLoadBalance extends AbstractLoadBalance {
  3.     public static final String NAME = "random";
  5.     private final Random random = new Random();
  7.     @Override
  8.     protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
  9.         int length = invokers.size(); // Number of invokers
  10.         int totalWeight = 0; // The sum of weights
  11.         boolean sameWeight = true; // Every invoker has the same weight?
  12.         // 下面这个循环有两个作用，第一是计算总权重 totalWeight，
  13.         // 第二是检测每个服务提供者的权重是否相同
  14.         for (int i = 0; i < length; i++) {
  15.             int weight = getWeight(invokers.get(i), invocation);
  16.             totalWeight += weight; // Sum
  17.             // 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，
  18.             // 不相同的话，则将 sameWeight 置为 false。
  19.             if (sameWeight && i > 0
  20.                     && weight != getWeight(invokers.get(i - 1), invocation)) {
  21.                 sameWeight = false;
  22.             }
  23.         }
  24.         if (totalWeight > 0 && !sameWeight) {
  25.             // 随机获取一个 [0, totalWeight) 区间内的数字
  26.             int offset = random.nextInt(totalWeight);
  27.             // Return a invoker based on the random value.
  28.             // 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。
  29.             // 举例说明一下，我们有 servers = [A, B, C]，weights = [5, 3, 2]，offset = 7。
  30.             // 第一次循环，offset - 5 = 2 > 0，即 offset > 5，
  31.             // 表明其不会落在服务器 A 对应的区间上。
  32.             // 第二次循环，offset - 3 = -1 < 0，即 5 < offset < 8，
  33.             // 表明其会落在服务器 B 对应的区间上
  34.             for (int i = 0; i < length; i++) {
  35.                 // 让随机值 offset 减去权重值
  36.                 offset -= getWeight(invokers.get(i), invocation);
  37.                 if (offset < 0) {
  38.                     // 返回相应的 Invoker
  39.                     return invokers.get(i);
  40.                 }
  41.             }
  42.         }
  43.         // 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
  44.         return invokers.get(random.nextInt(length));
  45.     }
  46. }

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。

  1. protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
  2.     int length = invokers.size(); // Number of invokers
  3.     // 最小的活跃数
  4.     int leastActive = -1; // The least active value of all invokers
  5.     // 具有相同“最小活跃数”的服务者提供者（以下用 Invoker 代称）数量
  6.     int leastCount = 0; // The number of invokers having the same least active value (leastActive)
  7.     // 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
  8.     int[] leastIndexs = new int[length]; // The index of invokers having the same least active value (leastActive)
  9.     int totalWeight = 0; // The sum of with warmup weights
  10.     // 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，
  11.     // 以检测是否“所有具有相同最小活跃数的 Invoker 的权重”均相等
  12.     int firstWeight = 0; // Initial value, used for comparision
  13.     boolean sameWeight = true; // Every invoker has the same weight value?
  15.     // 遍历 invokers 列表
  16.     for (int i = 0; i < length; i++) {
  17.         Invoker<T> invoker = invokers.get(i);
  18.         // 获取 Invoker 对应的活跃数
  19.         int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive(); // Active number
  20.         // 获取权重
  21.         int afterWarmup = getWeight(invoker, invocation); // Weight
  22.         // 发现更小的活跃数，重新开始
  23.         if (leastActive == -1 || active < leastActive) { // Restart, when find a invoker having smaller least active value.
  24.             // 使用当前活跃数 active 更新最小活跃数 leastActive
  25.             leastActive = active; // Record the current least active value
  26.             // 更新 leastCount 为 1
  27.             leastCount = 1; // Reset leastCount, count again based on current leastCount
  28.             // 记录当前下标值到 leastIndexs 中
  29.             leastIndexs[0] = i; // Reset
  30.             totalWeight = afterWarmup; // Reset
  31.             firstWeight = afterWarmup; // Record the weight the first invoker
  32.             sameWeight = true; // Reset, every invoker has the same weight value?
  33.         // 当前 Invoker 的活跃数 active 与最小活跃数 leastActive 相同
  34.         } else if (active == leastActive) { // If current invoker's active value equals with leaseActive, then accumulating.
  35.             // 在 leastIndexs 中记录下当前 Invoker 在 invokers 集合中的下标
  36.             leastIndexs[leastCount++] = i; // Record index number of this invoker
  37.             // 累加权重
  38.             totalWeight += afterWarmup; // Add this invoker's weight to totalWeight.
  39.             // If every invoker has the same weight?
  40.             // 检测当前 Invoker 的权重与 firstWeight 是否相等，
  41.             // 不相等则将 sameWeight 置为 false
  42.             if (sameWeight && i > 0
  43.                     && afterWarmup != firstWeight) {
  44.                 sameWeight = false;
  45.             }
  46.         }
  47.     }
  48.     // assert(leastCount > 0)
  49.     // 当只有一个 Invoker 具有最小活跃数，此时直接返回该 Invoker 即可
  50.     if (leastCount == 1) {
  51.         // If we got exactly one invoker having the least active value, return this invoker directly.
  52.         return invokers.get(leastIndexs[0]);
  53.     }
  54.     // 有多个 Invoker 具有相同的最小活跃数，但它们之间的权重不同
  55.     if (!sameWeight && totalWeight > 0) {
  56.         // If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight.
  57.         // 随机生成一个 [0, totalWeight) 之间的数字
  58.         int offsetWeight = random.nextInt(totalWeight) + 1;
  59.         // Return a invoker based on the random value.
  60.         // 循环让随机数减去具有最小活跃数的 Invoker 的权重值，
  61.         // 当 offset 小于等于0时，返回相应的 Invoker
  62.         for (int i = 0; i < leastCount; i++) {
  63.             int leastIndex = leastIndexs[i];
  64.             // 获取权重值，并让随机数减去权重值
  65.             offsetWeight -= getWeight(invokers.get(leastIndex), invocation);
  66.             if (offsetWeight <= 0)
  67.                 return invokers.get(leastIndex);
  68.         }
  69.     }
  70.     // If all invokers have the same weight value or totalWeight=0, return evenly.
  71.     // 如果权重相同或权重为0时，随机返回一个 Invoker
  72.     return invokers.get(leastIndexs[random.nextInt(leastCount)]);
  73. }

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。

  1. @Activate(group = Constants.CONSUMER, value = Constants.ACTIVES_KEY)
  2. 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

  1. <dubbo:service interface="com.alibaba.dubbo.demo.DemoService" ref="demoService" registry="remoteRegistry" actives="5" />
  2. <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

  1. <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

1ddb278091ff4ba78b2001895a8108c4.gif

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 = (最大公约数 / 服务A的权重) + (最大公约数 / 服务B的权重) + …

看完原理，我们继续看源码

  1. protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
  2.     // key = 全限定类名 + "." + 方法名，比如 com.xxx.DemoService.sayHello
  3.     String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();
  4.     // 获取 url 到 WeightedRoundRobin 映射表，如果为空，则创建一个新的
  5.     ConcurrentMap<String, WeightedRoundRobin> map = methodWeightMap.get(key);
  6.     if (map == null) {
  7.         methodWeightMap.putIfAbsent(key, new ConcurrentHashMap<String, WeightedRoundRobin>());
  8.         map = methodWeightMap.get(key);
  9.     }
  10.     // 权重总和
  11.     int totalWeight = 0;
  12.     // 最大权重
  13.     long maxCurrent = Long.MIN_VALUE;
  14.     long now = System.currentTimeMillis();
  15.     Invoker<T> selectedInvoker = null;
  16.     WeightedRoundRobin selectedWRR = null;
  18.     // 下面这个循环主要做了这样几件事情：
  19.     //   1. 遍历 Invoker 列表，检测当前 Invoker 是否有
  20.     //      相应的 WeightedRoundRobin，没有则创建
  21.     //   2. 检测 Invoker 权重是否发生了变化，若变化了，
  22.     //      则更新 WeightedRoundRobin 的 weight 字段
  23.     //   3. 让 current 字段加上自身权重，等价于 current += weight
  24.     //   4. 设置 lastUpdate 字段，即 lastUpdate = now
  25.     //   5. 寻找具有最大 current 的 Invoker，以及 Invoker 对应的 WeightedRoundRobin，
  26.     //      暂存起来，留作后用
  27.     //   6. 计算权重总和
  28.     for (Invoker<T> invoker : invokers) {
  29.         String identifyString = invoker.getUrl().toIdentityString();
  30.         WeightedRoundRobin weightedRoundRobin = map.get(identifyString);
  31.         int weight = getWeight(invoker, invocation);
  32.         if (weight < 0) {
  33.             weight = 0;
  34.         }
  35.         // 检测当前 Invoker 是否有对应的 WeightedRoundRobin，没有则创建
  36.         if (weightedRoundRobin == null) {
  37.             weightedRoundRobin = new WeightedRoundRobin();
  38.             // 设置 Invoker 权重
  39.             weightedRoundRobin.setWeight(weight);
  40.             // 存储 url 唯一标识 identifyString 到 weightedRoundRobin 的映射关系
  41.             map.putIfAbsent(identifyString, weightedRoundRobin);
  42.             weightedRoundRobin = map.get(identifyString);
  43.         }
  44.         // 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
  45.         if (weight != weightedRoundRobin.getWeight()) {
  46.             //weight changed
  47.             weightedRoundRobin.setWeight(weight);
  48.         }
  49.         // 让 current 加上自身权重，等价于 current += weight
  50.         long cur = weightedRoundRobin.increaseCurrent();
  51.         // 设置 lastUpdate，表示近期更新过
  52.         weightedRoundRobin.setLastUpdate(now);
  53.         if (cur > maxCurrent) {
  54.             maxCurrent = cur;
  55.             // 将具有最大 current 权重的 Invoker 赋值给 selectedInvoker
  56.             selectedInvoker = invoker;
  57.             // 将 Invoker 对应的 weightedRoundRobin 赋值给 selectedWRR，留作后用
  58.             selectedWRR = weightedRoundRobin;
  59.         }
  60.         // 计算权重总和
  61.         totalWeight += weight;
  62.     }
  63.     // 对 <identifyString, WeightedRoundRobin> 进行检查，过滤掉长时间未被更新的节点。
  64.     // 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。
  65.     // 若未更新时长超过阈值后，就会被移除掉，默认阈值为60秒。
  66.     if (!updateLock.get() && invokers.size() != map.size()) {
  67.         if (updateLock.compareAndSet(false, true)) {
  68.             try {
  69.                 // copy -> modify -> update reference
  70.                 ConcurrentMap<String, WeightedRoundRobin> newMap = new ConcurrentHashMap<String, WeightedRoundRobin>();
  71.                 // 拷贝
  72.                 newMap.putAll(map);
  74.                 // 遍历修改，即移除过期记录
  75.                 Iterator<Entry<String, WeightedRoundRobin>> it = newMap.entrySet().iterator();
  76.                 while (it.hasNext()) {
  77.                     Entry<String, WeightedRoundRobin> item = it.next();
  78.                     if (now - item.getValue().getLastUpdate() > RECYCLE_PERIOD) {
  79.                         it.remove();
  80.                     }
  81.                 }
  82.                 // 更新引用
  83.                 methodWeightMap.put(key, newMap);
  84.             } finally {
  85.                 updateLock.set(false);
  86.             }
  87.         }
  88.     }
  89.     if (selectedInvoker != null) {
  90.         // 让 current 减去权重总和，等价于 current -= totalWeight
  91.         selectedWRR.sel(totalWeight);
  92.         // 返回具有最大 current 的 Invoker
  93.         return selectedInvoker;
  94.     }
  95.     // should not happen here
  96.     return invokers.get(0);
  97. }

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：

17b4424f1d8eb44bd5eacf18a578fbd8.png

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：

ce70347370bc5b143be7001eac1ec1e7.png

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：

0879a0497bdb7532540d422edd3f3b1e.png

以上就是一致性hash算法的原理。下面讲讲Dubbo的源码

  1. public class ConsistentHashLoadBalance extends AbstractLoadBalance {
  3.     private final ConcurrentMap<String, ConsistentHashSelector<?>> selectors = new ConcurrentHashMap<String, ConsistentHashSelector<?>>();
  5.     @Override
  6.     protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
  7.         String methodName = RpcUtils.getMethodName(invocation);
  8.         String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName;
  10.         // 获取 invokers 原始的 hashcode
  11.         int identityHashCode = System.identityHashCode(invokers);
  12.         ConsistentHashSelector<T> selector = (ConsistentHashSelector<T>) selectors.get(key);
  13.         // 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。
  14.         // 此时 selector.identityHashCode != identityHashCode 条件成立
  15.         if (selector == null || selector.identityHashCode != identityHashCode) {
  16.             // 创建新的 ConsistentHashSelector
  17.             selectors.put(key, new ConsistentHashSelector<T>(invokers, methodName, identityHashCode));
  18.             selector = (ConsistentHashSelector<T>) selectors.get(key);
  19.         }
  20.         // 调用 ConsistentHashSelector 的 select 方法选择 Invoker
  21.         return selector.select(invocation);
  22.     }
  24.     private static final class ConsistentHashSelector<T> {...}
  25. }

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

  1. ConsistentHashSelector(List<Invoker<T>> invokers, String methodName, int identityHashCode) {
  2.     // 可以认为virtualInvokers组成了hash环
  3.     this.virtualInvokers = new TreeMap<Long, Invoker<T>>();
  4.     this.identityHashCode = identityHashCode;
  5.     URL url = invokers.get(0).getUrl();
  6.     // 获取虚拟节点数，默认为160
  7.     this.replicaNumber = url.getMethodParameter(methodName, "hash.nodes", 160);
  8.     // 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
  9.     String[] index = Constants.COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, "hash.arguments", "0"));
  10.     argumentIndex = new int[index.length];
  11.     for (int i = 0; i < index.length; i++) {
  12.         argumentIndex[i] = Integer.parseInt(index[i]);
  13.     }
  14.     for (Invoker<T> invoker : invokers) {
  15.         String address = invoker.getUrl().getAddress();
  16.         for (int i = 0; i < replicaNumber / 4; i++) {
  17.             // 对 address + i 进行 md5 运算，得到一个长度为16的字节数组
  18.             byte[] digest = md5(address + i);
  19.             // 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
  20.             for (int h = 0; h < 4; h++) {
  21.                 // h = 0 时，取 digest 中下标为 0 ~ 3 的4个字节进行位运算
  22.                 // h = 1 时，取 digest 中下标为 4 ~ 7 的4个字节进行位运算
  23.                 // h = 2, h = 3 时过程同上
  24.                 long m = hash(digest, h);
  25.                 // 将 hash 到 invoker 的映射关系存储到 virtualInvokers 中，
  26.                 // virtualInvokers 需要提供高效的查询操作，因此选用 TreeMap 作为存储结构
  27.                 virtualInvokers.put(m, invoker);
  28.             }
  29.         }
  30.     }
  31. }

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

  1. public Invoker<T> select(Invocation invocation) {
  2.     // 将参数转为 key
  3.     String key = toKey(invocation.getArguments());
  4.     // 对参数 key 进行 md5 运算
  5.     byte[] digest = md5(key);
  6.     // 取 digest 数组的前四个字节进行 hash 运算，再将 hash 值传给 selectForKey 方法，
  7.     // 寻找合适的 Invoker
  8.     return selectForKey(hash(digest, 0));
  9. }
  11. private Invoker<T> selectForKey(long hash) {
  12.     // 到 TreeMap 中查找第一个节点值大于或等于当前 hash 的 Invoker
  13.     Map.Entry<Long, Invoker<T>> entry = virtualInvokers.tailMap(hash, true).firstEntry();
  14.     // 如果 hash 大于 Invoker 在圆环上最大的位置，此时 entry = null，
  15.     // 需要将 TreeMap 的头节点赋值给 entry
  16.     if (entry == null) {
  17.         entry = virtualInvokers.firstEntry();
  18.     }
  19.     return entry.getValue();
  20. }

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。

发表评论

表情：
评论列表 （有 0 条评论，180人围观）

还没有评论，来说两句吧...

相关阅读

    相关 Dubbo源码 - 负载均衡

    前言 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

    女爷i女爷i/ 0 赞/ 181 阅读

    相关 Dubbo-负载均衡

    切勿将负载均衡策略写死在代码里，将来我们可以用控制台来进行控制。 负载均衡 在集群负载均衡时，Dubbo 提供了多种均衡策略，缺省为 `random` 随机调

    柔光的暖阳◎柔光的暖阳◎/ 0 赞/ 290 阅读