自适应负载均衡算法原理与达成
发布时间：2021-12-02 14:31:29 所属栏目：大数据 来源：互联网
导读：背景 在选择负载均衡算法时，我们希望满足以下要求： 具备分区和机房调度亲和性 每次选择的节点尽量是负载最低的 每次尽可能选择响应最快的节点 无需人工干预故障节点 当一个节点有故障时，负载均衡算法可以自动隔离该节点 当故障节点恢复时，能够自动恢复对
|
背景 在选择负载均衡算法时，我们希望满足以下要求： 具备分区和机房调度亲和性 每次选择的节点尽量是负载最低的 每次尽可能选择响应最快的节点 无需人工干预故障节点 当一个节点有故障时，负载均衡算法可以自动隔离该节点 当故障节点恢复时，能够自动恢复对该节点的流量分发 基于这些考虑，go-zero 选择了 p2c+EWMA 算法来实现。 算法的核心思想 p2c p2c (Pick Of 2 Choices) 二选一: 在多个节点中随机选择两个节点。 go-zero 中的会随机的选择3次，如果其中一次选择的节点的健康条件满足要求，就中断选择，采用这两个节点。 EWMA EWMA (Exponentially Weighted Moving-Average) 指数移动加权平均法: 是指各数值的加权系数随时间呈指数递减，越靠近当前时刻的数值加权系数就越大，体现了最近一段时间内的平均值。 公式: EWMA公式 变量解释: Vt: 代表的是第 t 次请求的 EWMA值 Vt-1: 代表的是第 t-1 次请求的 EWMA值 β: 是一个常量 EWMA 算法的优势 相较于普通的计算平均值算法，EWMA 不需要保存过去所有的数值，计算量显著减少，同时也减小了存储资源。 传统的计算平均值算法对网络耗时不敏感, 而 EWMA 可以通过请求频繁来调节 β，进而迅速监控到网络毛刺或更多的体现整体平均值。 当请求较为频繁时, 说明节点网络负载升高了, 我们想监测到此时节点处理请求的耗时(侧面反映了节点的负载情况), 我们就相应的调小β。β越小，EWMA值 就越接近本次耗时，进而迅速监测到网络毛刺; 当请求较为不频繁时, 我们就相对的调大β值。这样计算出来的 EWMA值 越接近平均值 β计算 go-zero 采用的是牛顿冷却定律中的衰减函数模型计算 EWMA 算法中的 β 值: 牛顿冷却定律中的衰减函数 其中 Δt 为两次请求的间隔，e，k 为常数 gRPC 中实现自定义负载均衡器 首先我们需要实现 google.golang.org/grpc/balancer/base/base.go/PickerBuilder 接口, 这个接口是有服务节点更新的时候会调用接口里的Build方法 type PickerBuilder interface { // Build returns a picker that will be used by gRPC to pick a SubConn. Build(info PickerBuildInfo) balancer.Picker } 还要实现 google.golang.org/grpc/balancer/balancer.go/Picker 接口。这个接口主要实现负载均衡，挑选一个节点供请求使用 type Picker interface { Pick(info PickInfo) (PickResult, error) } 最后向负载均衡 map 中注册我们实现的负载均衡器 go-zero 实现负载均衡的主要逻辑 在每次节点更新，gRPC 会调用 Build 方法，此时在 Build 里实现保存所有的节点信息。 gRPC 在获取节点处理请求时，会调用 Pick 方法以获取节点。go-zero 在 Pick 方法里实现了 p2c 算法，挑选节点，并通过节点的 EWMA值 计算负载情况，返回负载低的节点供 gRPC 使用。 在请求结束的时候 gRPC 会调用 PickResult.Done 方法，go-zero 在这个方法里实现了本次请求耗时等信息的存储，并计算出了 EWMA值 保存了起来，供下次请求时计算负载等情况的使用。 负载均衡代码分析 保存服务的所有节点信息 我们需要保存节点处理本次请求的耗时、EWMA 等信息，go-zero 给每个节点设计了如下结构： type subConn struct { addr resolver.Address conn balancer.SubConn lag uint64 // 用来保存 ewma 值 inflight int64 // 用在保存当前节点正在处理的请求总数 success uint64 // 用来标识一段时间内此连接的健康状态 requests int64 // 用来保存请求总数 last int64 // 用来保存上一次请求耗时, 用于计算 ewma 值 pick int64 // 保存上一次被选中的时间点 } p2cPicker 实现了 balancer.Picker 接口，conns 保存了服务的所有节点信息 type p2cPicker struct { conns []*subConn // 保存所有节点的信息 r *rand.Rand stamp *syncx.AtomicDuration lock sync.Mutex } gRPC 在节点有更新的时候会调用 Build 方法，传入所有节点信息，我们在这里把每个节点信息用 subConn 结构保存起来。并归并到一起用 p2cPicker 结构保存起来 func (b *p2cPickerBuilder) Build(info base.PickerBuildInfo) balancer.Picker { ...... var conns []*subConn for conn, connInfo := range readySCs { conns = append(conns, &subConn{ addr: connInfo.Address, conn: conn, success: initSuccess, }) } return &p2cPicker{ conns: conns, r: rand.New(rand.NewSource(time.Now().UnixNano())), stamp: syncx.NewAtomicDuration(), } } 随机挑选节点信息，在这里分了三种情况: 只有一个服务节点，此时直接返回供 gRPC 使用即可 有两个服务节点，通过 EWMA值 计算负载，并返回负载低的节点返回供 gRPC 使用 有多个服务节点，此时通过 p2c 算法选出两个节点，比较负载情况，返回负载低的节点供 gRPC 使用 主要实现代码如下： switch len(p.conns) { case 0:// 没有节点，返回错误 return emptyPickResult, balancer.ErrNoSubConnAvailable case 1:// 有一个节点，直接返回这个节点 chosen = p.choose(p.conns[0], nil) case 2:// 有两个节点，计算负载，返回负载低的节点 chosen = p.choose(p.conns[0], p.conns[1]) default:// 有多个节点，p2c 挑选两个节点，比较这两个节点的负载，返回负载低的节点 var node1, node2 *subConn // 3次随机选择两个节点 for i := 0; i < pickTimes; i++ { a := p.r.Intn(len(p.conns)) b := p.r.Intn(len(p.conns) - 1) if b >= a { b++ } node1 = p.conns[a] node2 = p.conns[b] // 如果这次选择的节点达到了健康要求, 就中断选择 if node1.healthy() && node2.healthy() { break } } // 比较两个节点的负载情况，选择负载低的 chosen = p.choose(node1, node2) } load计算节点的负载情况 上面的 choose 方法会调用 load 方法来计算节点负载。 计算负载的公式是: load = ewma * inflight 在这里简单解释下： ewma 相当于平均请求耗时，inflight 是当前节点正在处理请求的数量，相乘大致计算出了当前节点的网络负载。 func (c *subConn) load() int64 { // 通过 EWMA 计算节点的负载情况； 加 1 是为了避免为 0 的情况 lag := int64(math.Sqrt(float64(atomic.LoadUint64(&c.lag) + 1))) load := lag * (atomic.LoadInt64(&c.inflight) + 1) if load == 0 { return penalty } return load } 请求结束，更新节点的 EWMA 等信息 把节点正在处理请求的总数减1 保存处理请求结束的时间点，用于计算距离上次节点处理请求的差值，并算出 EWMA 中的 β值 计算本次请求耗时，并计算出 EWMA值 保存到节点的 lag 属性里 计算节点的健康状态保存到节点的 success 属性中 func (p *p2cPicker) buildDoneFunc(c *subConn) func(info balancer.DoneInfo) { start := int64(timex.Now()) return func(info balancer.DoneInfo) { // 正在处理的请求数减 1 atomic.AddInt64(&c.inflight, -1) now := timex.Now() // 保存本次请求结束时的时间点，并取出上次请求时的时间点 last := atomic.SwapInt64(&c.last, int64(now)) td := int64(now) - last if td < 0 { td = 0 } // 用牛顿冷却定律中的衰减函数模型计算EWMA算法中的β值 w := math.Exp(float64(-td) / float64(decayTime)) // 保存本次请求的耗时 lag := int64(now) - start if lag < 0 { lag = 0 } olag := atomic.LoadUint64(&c.lag) if olag == 0 { w = 0 } // 计算 EWMA 值 atomic.StoreUint64(&c.lag, uint64(float64(olag)*w+float64(lag)*(1-w))) success := initSuccess if info.Err != nil && !codes.Acceptable(info.Err) { success = 0 } osucc := atomic.LoadUint64(&c.success) atomic.StoreUint64(&c.success, uint64(float64(osucc)*w+float64(success)*(1-w))) stamp := p.stamp.Load() if now-stamp >= logInterval { if p.stamp.CompareAndSwap(stamp, now) { p.logStats() } } } }  （编辑：济南站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐