Dubbo原始碼解析（三十八）叢集——LoadBalance
阿新 • • 發佈：2020-06-24
叢集——LoadBalance
目標：介紹dubbo中叢集的負載均衡，介紹dubbo-cluster下loadBalance包的原始碼。
前言
負載均衡，說的通俗點就是要一碗水端平。在這個時代，公平是很重要的，在網路請求的時候同樣是這個道理，我們有很多機器，但是請求老是到某個伺服器上，而某些伺服器又常年空閒，導致了資源的浪費，也增加了伺服器因為壓力過載而宕機的風險。這個時候就需要負載均衡的出現。它就相當於是一個天秤，通過各種策略，可以讓每臺伺服器獲取到適合自己處理能力的負載，這樣既能夠為高負載的伺服器分流，還能避免資源浪費。負載均衡分為軟體的負載均衡和硬體負載均衡，我們這裡講到的是軟體負載均衡，在dubbo中，需要對消費者的呼叫請求進行分配，避免少數服務提供者負載過大，其他服務空閒的情況，因為負載過大會導致服務請求超時。這個時候就需要負載均衡起作用了。Dubbo 提供了4種負載均衡實現：
- RandomLoadBalance：基於權重隨機演演算法
- LeastActiveLoadBalance：基於最少活躍呼叫數演演算法
- ConsistentHashLoadBalance：基於 hash 一致性
- RoundRobinLoadBalance：基於加權輪詢演演算法
具體的實現看下面解析。
原始碼分析
（一）AbstractLoadBalance
該類實現了LoadBalance介面，是負載均衡的抽象類，提供了權重計算的功能。
1.select
@Override
public <T> Invoker<T> select(List<Invoker<T>> invokers,URL url,Invocation invocation) 該方法是選擇一個invoker，關鍵的選擇還是呼叫了doSelect方法，不過doSelect是一個抽象方法，由上述四種負載均衡策略來各自實現。
2.getWeight
protected int getWeight(Invoker<?> invoker,Invocation invocation) {
// 獲得 weight 配置，即服務權重。預設為 100
int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(),Constants.WEIGHT_KEY,Constants.DEFAULT_WEIGHT);
if (weight > 0) {
// 獲得啟動時間戳
long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY,0L);
if (timestamp > 0L) {
// 獲得啟動總時長
int uptime = (int) (System.currentTimeMillis() - timestamp);
// 獲得預熱需要總時長。預設為10分鐘
int warmup = invoker.getUrl().getParameter(Constants.WARMUP_KEY,Constants.DEFAULT_WARMUP);
// 如果服務執行時間小於預熱時間，則重新計算服務權重，即降權
if (uptime > 0 && uptime < warmup) {
weight = calculateWarmupWeight(uptime,warmup,weight);
}
}
}
return weight;
}
複製程式碼該方法是獲得權重的方法，計算權重在calculateWarmupWeight方法中實現，該方法考慮到了jvm預熱的過程。
3.calculateWarmupWeight
static int calculateWarmupWeight(int uptime,int warmup,int weight) {
// 計算權重 (uptime / warmup) * weight，進度百分比 * 權重
int ww = (int) ((float) uptime / ((float) warmup / (float) weight));
// 權重範圍為 [0,weight] 之間
return ww < 1 ? 1 : (ww > weight ? weight : ww);
}
複製程式碼該方法是計算權重的方法，其中計算公式是(uptime / warmup) * weight，含義就是進度百分比 * 權重值。
（二）RandomLoadBalance
該類是基於權重隨機演演算法的負載均衡實現類，我們先來講講原理，比如我有有一組伺服器 servers = [A,B,C]，他們他們對應的權重為 weights = [6,3,1]，權重總和為10，現在把這些權重值平鋪在一維座標值上，分別出現三個區域，A區域為[0,6)，B區域為[6,9)，C區域為[9,10)，然後產生一個[0,10)的隨機數，看該數字落在哪個區間內，就用哪臺伺服器，這樣權重越大的，被擊中的概率就越大。
public class RandomLoadBalance extends AbstractLoadBalance {
public static final String NAME = "random";
/**
* 隨機數產生器
*/
private final Random random = new Random();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers,Invocation invocation) {
// 獲得服務長度
int length = invokers.size(); // Number of invokers
// 總的權重
int totalWeight = 0; // The sum of weights
// 是否有相同的權重
boolean sameWeight = true; // Every invoker has the same weight?
// 遍歷每個服務，計算相應權重
for (int i = 0; i < length; i++) {
int weight = getWeight(invokers.get(i),invocation);
// 計算總的權重值
totalWeight += weight; // Sum
// 如果前一個服務的權重值不等於後一個則sameWeight為false
if (sameWeight && i > 0
&& weight != getWeight(invokers.get(i - 1),invocation)) {
sameWeight = false;
}
}
// 如果每個服務權重都不同，並且總的權重值不為0
if (totalWeight > 0 && !sameWeight) {
// If (not every invoker has the same weight & at least one invoker's weight>0),select randomly based on totalWeight.
int offset = random.nextInt(totalWeight);
// Return a invoker based on the random value.
// 迴圈讓 offset 數減去服務提供者權重值，當 offset 小於0時，返回相應的 Invoker。
// 舉例說明一下，我們有 servers = [A,C]，weights = [6,1]，offset = 7。
// 第一次迴圈，offset - 6 = 1 > 0，即 offset > 6，
// 表明其不會落在伺服器 A 對應的區間上。
// 第二次迴圈，offset - 3 = -2 < 0，即 6 < offset < 9，
// 表明其會落在伺服器 B 對應的區間上
for (int i = 0; i < length; i++) {
offset -= getWeight(invokers.get(i),invocation);
if (offset < 0) {
return invokers.get(i);
}
}
}
// If all invokers have the same weight value or totalWeight=0,return evenly.
// 如果所有服務提供者權重值相同，此時直接隨機返回一個即可
return invokers.get(random.nextInt(length));
}
}
複製程式碼該演演算法比較好理解，當然 RandomLoadBalance 也存在一定的缺點，當呼叫次數比較少時，Random 產生的隨機數可能會比較集中，此時多數請求會落到同一臺伺服器上，不過影響不大。
（三）LeastActiveLoadBalance
該負載均衡策略基於最少活躍呼叫數演演算法，某個服務活躍呼叫數越小，表明該服務提供者效率越高，也就表明單位時間內能夠處理的請求更多。此時應該選擇該類伺服器。實現很簡單，就是每一個服務都有一個活躍數active來記錄該服務的活躍值，每收到一個請求，該active就會加1，，沒完成一個請求，active就會減1。在服務執行一段時間後，效能好的服務提供者處理請求的速度更快，因此活躍數下降的也越快，此時這樣的服務提供者能夠優先獲取到新的服務請求。除了最小活躍數，還引入了權重值，也就是當活躍數一樣的時候，選擇利用權重法來進行選擇，如果權重也一樣，那麼隨機選擇一個。
public class LeastActiveLoadBalance extends AbstractLoadBalance {
public static final String NAME = "leastactive";
/**
* 隨機器
*/
private final Random random = new Random();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers,Invocation invocation) {
// 獲得服務長度
int length = invokers.size(); // Number of invokers
// 最小的活躍數
int leastActive = -1; // The least active value of all invokers
// 具有相同“最小活躍數”的服務者提供者（以下用 Invoker 代稱）數量
int leastCount = 0; // The number of invokers having the same least active value (leastActive)
// leastIndexs 用於記錄具有相同“最小活躍數”的 Invoker 在 invokers 列表中的下標資訊
int[] leastIndexs = new int[length]; // The index of invokers having the same least active value (leastActive)
// 總的權重
int totalWeight = 0; // The sum of with warmup weights
// 第一個最小活躍數的 Invoker 權重值，用於與其他具有相同最小活躍數的 Invoker 的權重進行對比，
// 以檢測是否“所有具有相同最小活躍數的 Invoker 的權重”均相等
int firstWeight = 0; // Initial value,used for comparision
// 是否權重相同
boolean sameWeight = true; // Every invoker has the same weight value?
for (int i = 0; i < length; i++) {
Invoker<T> invoker = invokers.get(i);
// 獲取 Invoker 對應的活躍數
int active = RpcStatus.getStatus(invoker.getUrl(),invocation.getMethodName()).getActive(); // Active number
// 獲得該服務的權重
int afterWarmup = getWeight(invoker,invocation); // Weight
// 發現更小的活躍數，重新開始
if (leastActive == -1 || active < leastActive) { // Restart,when find a invoker having smaller least active value.
// 記錄當前最小的活躍數
leastActive = active; // Record the current least active value
// 更新 leastCount 為 1
leastCount = 1; // Reset leastCount,count again based on current leastCount
// 記錄當前下標值到 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?
// 如果當前 Invoker 的活躍數 active 與最小活躍數 leastActive 相同
} else if (active == leastActive) { // If current invoker's active value equals with leaseActive,then accumulating.
// 在 leastIndexs 中記錄下當前 Invoker 在 invokers 集合中的下標
leastIndexs[leastCount++] = i; // Record index number of this invoker
// 累加權重
totalWeight += afterWarmup; // Add this invoker's weight to totalWeight.
// If every invoker has the same weight?
if (sameWeight && i > 0
&& afterWarmup != firstWeight) {
sameWeight = false;
}
}
}
// assert(leastCount > 0)
// 當只有一個 Invoker 具有最小活躍數，此時直接返回該 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]);
}
// 有多個 Invoker 具有相同的最小活躍數，但它們之間的權重不同
if (!sameWeight && totalWeight > 0) {
// If (not every invoker has the same weight & at least one invoker's weight>0),select randomly based on totalWeight.
// 隨機生成一個數字
int offsetWeight = random.nextInt(totalWeight) + 1;
// Return a invoker based on the random value.
// 相關演演算法可以參考RandomLoadBalance
for (int i = 0; i < leastCount; i++) {
int leastIndex = leastIndexs[i];
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.
// 如果權重一樣，則隨機取一個
return invokers.get(leastIndexs[random.nextInt(leastCount)]);
}
}
複製程式碼前半部分在進行最小活躍數的策略，後半部分在進行權重的隨機策略，可以參見RandomLoadBalance。
（四）ConsistentHashLoadBalance
該類是負載均衡基於 hash 一致性的邏輯實現。一致性雜湊演演算法由麻省理工學院的 Karger 及其合作者於1997年提供出的，一開始被大量運用於快取系統的負載均衡。它的工作原理是這樣的：首先根據 ip 或其他的資訊為快取節點生成一個 hash，在dubbo中使用引數進行計算hash。並將這個 hash 投射到 [0,232 - 1] 的圓環上，當有查詢或寫入請求時，則生成一個 hash 值。然後查詢第一個大於或等於該 hash 值的快取節點，併到這個節點中查詢或寫入快取項。如果當前節點掛了，則在下一次查詢或寫入快取時，為快取項查詢另一個大於其 hash 值的快取節點即可。大致效果如下圖所示（引用一下官網的圖）
每個快取節點在圓環上佔據一個位置。如果快取項的 key 的 hash 值小於快取節點 hash 值，則到該快取節點中儲存或讀取快取項，這裡有兩個概念不要弄混，快取節點就好比dubbo中的服務提供者，會有很多的服務提供者，而快取項就好比是服務引用的消費者。比如下面綠色點對應的快取項也就是服務消費者將會被儲存到 cache-2 節點中。由於 cache-3 掛了，原本應該存到該節點中的快取項也就是服務消費者最終會儲存到 cache-4 節點中，也就是呼叫cache-4 這個服務提供者。
但是在hash一致性演演算法並不能夠保證hash演演算法的平衡性，就拿上面的例子來看，cache-3掛掉了，那該節點下的所有快取項都要儲存到 cache-4 節點中，這就導致hash值低的一直往高的儲存，會面臨一個不平衡的現象，見下圖：
可以看到最後會變成類似不平衡的現象，那我們應該怎麼避免這樣的事情，做到平衡性，那就需要引入虛擬節點，虛擬節點是實際節點在 hash 空間的複製品，“虛擬節點”在 hash 空間中以hash值排列。比如下圖：
可以看到各個節點都被均勻分佈在圓環上，而某一個服務提供者居然有多個節點存在，分別跟其他節點交錯排列，這樣做的目的就是避免資料傾斜問題，也就是由於節點不夠分散，導致大量請求落到了同一個節點上，而其他節點只會接收到了少量請求的情況。類似第二張圖的情況。
看完原理，接下來我們來看看程式碼
1.doSelect
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers,Invocation invocation) {
// 獲得方法名
String methodName = RpcUtils.getMethodName(invocation);
// 獲得key
String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName;
// 獲取 invokers 原始的 hashcode
int identityHashCode = System.identityHashCode(invokers);
// 從一致性 hash 選擇器集合中獲得一致性 hash 選擇器
ConsistentHashSelector<T> selector = (ConsistentHashSelector<T>) selectors.get(key);
// 如果等於空或者選擇器的hash值不等於原始的值，則新建一個一致性 hash 選擇器，並且加入到集合
if (selector == null || selector.identityHashCode != identityHashCode) {
selectors.put(key,new ConsistentHashSelector<T>(invokers,methodName,identityHashCode));
selector = (ConsistentHashSelector<T>) selectors.get(key);
}
// 選擇器選擇一個invoker
return selector.select(invocation);
}
複製程式碼該方法也做了一些invokers 列表是不是變動過，以及建立 ConsistentHashSelector等工作，然後呼叫selector.select來進行選擇。
2.ConsistentHashSelector
private static final class ConsistentHashSelector<T> {
/**
* 儲存 Invoker 虛擬節點
*/
private final TreeMap<Long,Invoker<T>> virtualInvokers;
/**
* 每個Invoker 對應的虛擬節點數
*/
private final int replicaNumber;
/**
* 原始雜湊值
*/
private final int identityHashCode;
/**
* 取值引數位置陣列
*/
private final int[] argumentIndex;
ConsistentHashSelector(List<Invoker<T>> invokers,String methodName,int identityHashCode) {
this.virtualInvokers = new TreeMap<Long,Invoker<T>>();
this.identityHashCode = identityHashCode;
URL url = invokers.get(0).getUrl();
// 獲取虛擬節點數，預設為160
this.replicaNumber = url.getMethodParameter(methodName,"hash.nodes",160);
// 獲取參與 hash 計算的引數下標值，預設對第一個引數進行 hash 運算
String[] index = Constants.COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName,"hash.arguments","0"));
// 建立下標陣列
argumentIndex = new int[index.length];
// 遍歷
for (int i = 0; i < index.length; i++) {
// 記錄下標
argumentIndex[i] = Integer.parseInt(index[i]);
}
// 遍歷invokers
for (Invoker<T> invoker : invokers) {
String address = invoker.getUrl().getAddress();
for (int i = 0; i < replicaNumber / 4; i++) {
// 對 address + i 進行 md5 運算，得到一個長度為16的位元組陣列
byte[] digest = md5(address + i);
// // 對 digest 部分位元組進行4次 hash 運算，得到四個不同的 long 型正整數
for (int h = 0; h < 4; h++) {
// h = 0 時，取 digest 中下標為 0 ~ 3 的4個位元組進行位運算
// h = 1 時，取 digest 中下標為 4 ~ 7 的4個位元組進行位運算
// h = 2,h = 3 時過程同上
long m = hash(digest,h);
// 將 hash 到 invoker 的對映關係儲存到 virtualInvokers 中，
// virtualInvokers 需要提供高效的查詢操作，因此選用 TreeMap 作為儲存結構
virtualInvokers.put(m,invoker);
}
}
}
}
/**
* 選擇一個invoker
* @param invocation
* @return
*/
public Invoker<T> select(Invocation invocation) {
// 將引數轉為 key
String key = toKey(invocation.getArguments());
// 對引數 key 進行 md5 運算
byte[] digest = md5(key);
// 取 digest 陣列的前四個位元組進行 hash 運算，再將 hash 值傳給 selectForKey 方法，
// 尋找合適的 Invoker
return selectForKey(hash(digest,0));
}
/**
* 將引數轉為 key
* @param args
* @return
*/
private String toKey(Object[] args) {
StringBuilder buf = new StringBuilder();
// 遍歷引數下標
for (int i : argumentIndex) {
if (i >= 0 && i < args.length) {
// 拼接引數，生成key
buf.append(args[i]);
}
}
return buf.toString();
}
/**
* 通過hash選擇invoker
* @param hash
* @return
*/
private Invoker<T> selectForKey(long hash) {
// 到 TreeMap 中查詢第一個節點值大於或等於當前 hash 的 Invoker
Map.Entry<Long,Invoker<T>> entry = virtualInvokers.tailMap(hash,true).firstEntry();
// 如果 hash 大於 Invoker 在圓環上最大的位置，此時 entry = null，
// 需要將 TreeMap 的頭節點賦值給 entry
if (entry == null) {
entry = virtualInvokers.firstEntry();
}
// 返回選擇的invoker
return entry.getValue();
}
/**
* 計算hash值
* @param digest
* @param number
* @return
*/
private long hash(byte[] digest,int number) {
return (((long) (digest[3 + number * 4] & 0xFF) << 24)
| ((long) (digest[2 + number * 4] & 0xFF) << 16)
| ((long) (digest[1 + number * 4] & 0xFF) << 8)
| (digest[number * 4] & 0xFF))
& 0xFFFFFFFFL;
}
/**
* md5
* @param value
* @return
*/
private byte[] md5(String value) {
MessageDigest md5;
try {
md5 = MessageDigest.getInstance("MD5");
} catch (NoSuchAlgorithmException e) {
throw new IllegalStateException(e.getMessage(),e);
}
md5.reset();
byte[] bytes;
try {
bytes = value.getBytes("UTF-8");
} catch (UnsupportedEncodingException e) {
throw new IllegalStateException(e.getMessage(),e);
}
md5.update(bytes);
return md5.digest();
}
}
複製程式碼該類是內部類，是一致性 hash 選擇器，首先看它的屬性，利用TreeMap來儲存 Invoker 虛擬節點，因為需要提供高效的查詢操作。再看看它的構造方法，執行了一系列的初始化邏輯，比如從配置中獲取虛擬節點數以及參與 hash 計算的引數下標，預設情況下只使用第一個引數進行 hash，並且ConsistentHashLoadBalance 的負載均衡邏輯只受引數值影響，具有相同引數值的請求將會被分配給同一個服務提供者。還有一個select方法，比較簡單，先進行md5運算。然後hash，最後選擇出對應的invoker。
(五)RoundRobinLoadBalance
該類是負載均衡基於加權輪詢演演算法的實現。那麼什麼是加權輪詢，輪詢很好理解，比如我第一個請求分配給A伺服器，第二個請求分配給B伺服器，第三個請求分配給C伺服器，第四個請求又分配給A伺服器，這就是輪詢，但是這隻適合每臺伺服器效能相近的情況，這種是一種非常理想的情況，那更多的是每臺伺服器的效能都會有所差異，這個時候效能差的伺服器被分到等額的請求，就會需要承受壓力大宕機的情況，這個時候我們需要對輪詢加權，我舉個例子，伺服器 A、B、C 權重比為 6:3:1，那麼在10次請求中，伺服器 A 將收到其中的6次請求，伺服器 B 會收到其中的3次請求，伺服器 C 則收到其中的1次請求，也就是說每臺伺服器能夠收到的請求歸結於它的權重。
1.屬性
/**
* 回收間隔
*/
private static int RECYCLE_PERIOD = 60000;
複製程式碼2.WeightedRoundRobin
protected static class WeightedRoundRobin {
/**
* 權重
*/
private int weight;
/**
* 當前已經有多少請求落在該服務提供者身上，也可以看成是一個動態的權重
*/
private AtomicLong current = new AtomicLong(0);
/**
* 最後一次更新時間
*/
private long lastUpdate;
public int getWeight() {
return weight;
}
public void setWeight(int weight) {
this.weight = weight;
current.set(0);
}
public long increaseCurrent() {
return current.addAndGet(weight);
}
public void sel(int total) {
current.addAndGet(-1 * total);
}
public long getLastUpdate() {
return lastUpdate;
}
public void setLastUpdate(long lastUpdate) {
this.lastUpdate = lastUpdate;
}
}
複製程式碼該內部類是一個加權輪詢器，它記錄了某一個服務提供者的一些資料，比如權重、比如當前已經有多少請求落在該服務提供者上等。
3.doSelect
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers,Invocation invocation) {
// key = 全限定類名 + "." + 方法名，比如 com.xxx.DemoService.sayHello
String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();
ConcurrentMap<String,WeightedRoundRobin> map = methodWeightMap.get(key);
if (map == null) {
methodWeightMap.putIfAbsent(key,new ConcurrentHashMap<String,WeightedRoundRobin>());
map = methodWeightMap.get(key);
}
// 權重總和
int totalWeight = 0;
// 最小權重
long maxCurrent = Long.MIN_VALUE;
// 獲得現在的時間戳
long now = System.currentTimeMillis();
// 建立已經選擇的invoker
Invoker<T> selectedInvoker = null;
// 建立加權輪詢器
WeightedRoundRobin selectedWRR = null;
// 下面這個迴圈主要做了這樣幾件事情：
// 1. 遍歷 Invoker 列表，檢測當前 Invoker 是否有
// 相應的 WeightedRoundRobin，沒有則建立
// 2. 檢測 Invoker 權重是否發生了變化，若變化了，
// 則更新 WeightedRoundRobin 的 weight 欄位
// 3. 讓 current 欄位加上自身權重，等價於 current += weight
// 4. 設定 lastUpdate 欄位，即 lastUpdate = now
// 5. 尋找具有最大 current 的 Invoker，以及 Invoker 對應的 WeightedRoundRobin，
// 暫存起來，留作後用
// 6. 計算權重總和
for (Invoker<T> invoker : invokers) {
// 獲得identify的值
String identifyString = invoker.getUrl().toIdentityString();
// 獲得加權輪詢器
WeightedRoundRobin weightedRoundRobin = map.get(identifyString);
// 計算權重
int weight = getWeight(invoker,invocation);
// 如果權重小於0，則設定0
if (weight < 0) {
weight = 0;
}
// 如果加權輪詢器為空
if (weightedRoundRobin == null) {
// 建立加權輪詢器
weightedRoundRobin = new WeightedRoundRobin();
// 設定權重
weightedRoundRobin.setWeight(weight);
// 加入集合
map.putIfAbsent(identifyString,weightedRoundRobin);
weightedRoundRobin = map.get(identifyString);
}
// 如果權重跟之前的權重不一樣，則重新設定權重
if (weight != weightedRoundRobin.getWeight()) {
//weight changed
weightedRoundRobin.setWeight(weight);
}
// 計數器加1
long cur = weightedRoundRobin.increaseCurrent();
// 更新最後一次更新時間
weightedRoundRobin.setLastUpdate(now);
// 當落在該服務提供者的統計數大於最大可承受的數
if (cur > maxCurrent) {
// 賦值
maxCurrent = cur;
// 被選擇的selectedInvoker賦值
selectedInvoker = invoker;
// 被選擇的加權輪詢器賦值
selectedWRR = weightedRoundRobin;
}
// 累加
totalWeight += weight;
}
// 如果更新鎖不能獲得並且invokers的大小跟map大小不匹配
// 對 <identifyString,WeightedRoundRobin> 進行檢查，過濾掉長時間未被更新的節點。
// 該節點可能掛了，invokers 中不包含該節點，所以該節點的 lastUpdate 長時間無法被更新。
// 若未更新時長超過閾值後，就會被移除掉，預設閾值為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>();
// 複製
newMap.putAll(map);
Iterator<Entry<String,WeightedRoundRobin>> it = newMap.entrySet().iterator();
// 輪詢
while (it.hasNext()) {
Entry<String,WeightedRoundRobin> item = it.next();
// 如果大於回收時間，則進行回收
if (now - item.getValue().getLastUpdate() > RECYCLE_PERIOD) {
// 從集合中移除
it.remove();
}
}
// 加入集合
methodWeightMap.put(key,newMap);
} finally {
updateLock.set(false);
}
}
}
// 如果被選擇的selectedInvoker不為空
if (selectedInvoker != null) {
// 設定總的權重
selectedWRR.sel(totalWeight);
return selectedInvoker;
}
// should not happen here
return invokers.get(0);
}
複製程式碼該方法是選擇的核心，其實關鍵是一些資料記錄，在每次請求都會記錄落在該服務上的請求數，然後在根據權重來分配，並且會有回收時間來處理一些長時間未被更新的節點。
後記
該部分相關的原始碼解析地址：github.com/CrazyHZM/in…
該文章講解了叢集中關於負載均衡實現的部分，每個演演算法都是現在很普遍的負載均衡演演算法，希望大家細細品味。接下來我將開始對叢集模組關於分組聚合部分進行講解。