Dubbo源码解析（三十八）集群——LoadBalance
集群——LoadBalance
目标：介绍dubbo中集群的负载均衡，介绍dubbo-cluster下loadBalance包的源码。
前言
负载均衡，说的通俗点就是要一碗水端平。在这个时代，公平是很重要的，在网络请求的时候一样是这个道理，咱们有不少机器，可是请求总是到某个服务器上，而某些服务器又常年空闲，致使了资源的浪费，也增长了服务器由于压力过载而宕机的风险。这个时候就须要负载均衡的出现。它就至关因而一个天秤，经过各类策略，可让每台服务器获取到适合本身处理能力的负载，这样既可以为高负载的服务器分流，还能避免资源浪费。负载均衡分为软件的负载均衡和硬件负载均衡，咱们这里讲到的是软件负载均衡，在dubbo中，须要对消费者的调用请求进行分配，避免少数服务提供者负载过大，其余服务空闲的状况，由于负载过大会致使服务请求超时。这个时候就须要负载均衡起做用了。Dubbo 提供了4种负载均衡实现：java
- RandomLoadBalance：基于权重随机算法
- LeastActiveLoadBalance：基于最少活跃调用数算法
- ConsistentHashLoadBalance：基于 hash 一致性
- RoundRobinLoadBalance：基于加权轮询算法
具体的实现看下面解析。node
源码分析
（一）AbstractLoadBalance
该类实现了LoadBalance接口，是负载均衡的抽象类，提供了权重计算的功能。git
1.select
@Override
public <T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// 若是invokers为空则返回空
if (invokers == null || invokers.isEmpty())
return null;
// 若是invokers只有一个服务提供者，则返回一个
if (invokers.size() == 1)
return invokers.get(0);
// 调用doSelect进行选择
return doSelect(invokers, url, invocation);
}
该方法是选择一个invoker，关键的选择仍是调用了doSelect方法，不过doSelect是一个抽象方法，由上述四种负载均衡策略来各自实现。github
2.getWeight
protected int getWeight(Invoker<?> invoker, Invocation invocation) {
// 得到 weight 配置，即服务权重。默认为 100
int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);
if (weight > 0) {
// 得到启动时间戳
long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY, 0L);
if (timestamp > 0L) {
// 得到启动总时长
int uptime = (int) (System.currentTimeMillis() - timestamp);
// 得到预热须要总时长。默认为10分钟
int warmup = invoker.getUrl().getParameter(Constants.WARMUP_KEY, Constants.DEFAULT_WARMUP);
// 若是服务运行时间小于预热时间，则从新计算服务权重，即降权
if (uptime > 0 && uptime < warmup) {
weight = calculateWarmupWeight(uptime, warmup, weight);
}
}
}
return weight;
}
该方法是得到权重的方法，计算权重在calculateWarmupWeight方法中实现，该方法考虑到了jvm预热的过程。算法
3.calculateWarmupWeight
static int calculateWarmupWeight(int uptime, int warmup, int weight) {
// 计算权重 (uptime / warmup) * weight，进度百分比 * 权重
int ww = (int) ((float) uptime / ((float) warmup / (float) weight));
// 权重范围为 [0, weight] 之间
return ww < 1 ? 1 : (ww > weight ? weight : ww);
}
该方法是计算权重的方法，其中计算公式是(uptime / warmup) weight，含义就是进度百分比 权重值。数组
（二）RandomLoadBalance
该类是基于权重随机算法的负载均衡实现类，咱们先来说讲原理，好比我有有一组服务器 servers = [A, B, C]，他们他们对应的权重为 weights = [6, 3, 1]，权重总和为10，如今把这些权重值平铺在一维坐标值上，分别出现三个区域，A区域为[0,6)，B区域为[6,9)，C区域为[9,10)，而后产生一个[0, 10)的随机数，看该数字落在哪一个区间内，就用哪台服务器，这样权重越大的，被击中的几率就越大。缓存
public class RandomLoadBalance extends AbstractLoadBalance {
public static final String NAME = "random";
/**
* 随机数产生器
*/
private final Random random = new Random();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// 得到服务长度
int length = invokers.size(); // Number of invokers
// 总的权重
int totalWeight = 0; // The sum of weights
// 是否有相同的权重
boolean sameWeight = true; // Every invoker has the same weight?
// 遍历每一个服务，计算相应权重
for (int i = 0; i < length; i++) {
int weight = getWeight(invokers.get(i), invocation);
// 计算总的权重值
totalWeight += weight; // Sum
// 若是前一个服务的权重值不等于后一个则sameWeight为false
if (sameWeight && i > 0
&& weight != getWeight(invokers.get(i - 1), invocation)) {
sameWeight = false;
}
}
// 若是每一个服务权重都不一样，而且总的权重值不为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.
// 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。
// 举例说明一下，咱们有 servers = [A, B, C]，weights = [6, 3, 1]，offset = 7。
// 第一次循环，offset - 6 = 1 > 0，即 offset > 6，
// 代表其不会落在服务器 A 对应的区间上。
// 第二次循环，offset - 3 = -2 < 0，即 6 < offset < 9，
// 代表其会落在服务器 B 对应的区间上
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.
// 若是全部服务提供者权重值相同，此时直接随机返回一个便可
return invokers.get(random.nextInt(length));
}
}
该算法比较好理解，固然 RandomLoadBalance 也存在必定的缺点，当调用次数比较少时，Random 产生的随机数可能会比较集中，此时多数请求会落到同一台服务器上，不过影响不大。服务器
（三）LeastActiveLoadBalance
该负载均衡策略基于最少活跃调用数算法，某个服务活跃调用数越小，代表该服务提供者效率越高，也就代表单位时间内可以处理的请求更多。此时应该选择该类服务器。实现很简单，就是每个服务都有一个活跃数active来记录该服务的活跃值，每收到一个请求，该active就会加1，，没完成一个请求，active就会减1。在服务运行一段时间后，性能好的服务提供者处理请求的速度更快，所以活跃数降低的也越快，此时这样的服务提供者可以优先获取到新的服务请求。除了最小活跃数，还引入了权重值，也就是当活跃数同样的时候，选择利用权重法来进行选择，若是权重也同样，那么随机选择一个。网络
public class LeastActiveLoadBalance extends AbstractLoadBalance {
public static final String NAME = "leastactive";
/**
* 随机器
*/
private final Random random = new Random();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// 得到服务长度
int length = invokers.size(); // Number of invokers
// 最小的活跃数
int leastActive = -1; // The least active value of all invokers
// 具备相同“最小活跃数”的服务者提供者（如下用 Invoker 代称）数量
int leastCount = 0; // The number of invokers having the same least active value (leastActive)
// leastIndexs 用于记录具备相同“最小活跃数”的 Invoker 在 invokers 列表中的下标信息
int[] leastIndexs = new int[length]; // The index of invokers having the same least active value (leastActive)
// 总的权重
int totalWeight = 0; // The sum of with warmup weights
// 第一个最小活跃数的 Invoker 权重值，用于与其余具备相同最小活跃数的 Invoker 的权重进行对比，
// 以检测是否“全部具备相同最小活跃数的 Invoker 的权重”均相等
int firstWeight = 0; // Initial value, used for comparision
// 是否权重相同
boolean sameWeight = true; // Every invoker has the same weight value?
for (int i = 0; i < length; i++) {
Invoker<T> invoker = invokers.get(i);
// 获取 Invoker 对应的活跃数
int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive(); // Active number
// 得到该服务的权重
int afterWarmup = getWeight(invoker, invocation); // Weight
// 发现更小的活跃数，从新开始
if (leastActive == -1 || active < leastActive) { // Restart, when find a invoker having smaller least active value.
// 记录当前最小的活跃数
leastActive = active; // Record the current least active value
// 更新 leastCount 为 1
leastCount = 1; // Reset leastCount, count again based on current leastCount
// 记录当前下标值到 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?
// 若是当前 Invoker 的活跃数 active 与最小活跃数 leastActive 相同
} else if (active == leastActive) { // If current invoker's active value equals with leaseActive, then accumulating.
// 在 leastIndexs 中记录下当前 Invoker 在 invokers 集合中的下标
leastIndexs[leastCount++] = i; // Record index number of this invoker
// 累加权重
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)
// 当只有一个 Invoker 具备最小活跃数，此时直接返回该 Invoker 便可
if (leastCount == 1) {
// If we got exactly one invoker having the least active value, return this invoker directly.
return invokers.get(leastIndexs[0]);
}
// 有多个 Invoker 具备相同的最小活跃数，但它们之间的权重不一样
if (!sameWeight && totalWeight > 0) {
// If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight.
// 随机生成一个数字
int offsetWeight = random.nextInt(totalWeight) + 1;
// Return a invoker based on the random value.
// 相关算法能够参考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.
// 若是权重同样，则随机取一个
return invokers.get(leastIndexs[random.nextInt(leastCount)]);
}
}
前半部分在进行最小活跃数的策略，后半部分在进行权重的随机策略，能够参见RandomLoadBalance。app
（四）ConsistentHashLoadBalance
该类是负载均衡基于 hash 一致性的逻辑实现。一致性哈希算法由麻省理工学院的 Karger 及其合做者于1997年提供出的，一开始被大量运用于缓存系统的负载均衡。它的工做原理是这样的：首先根据 ip 或其余的信息为缓存节点生成一个 hash，在dubbo中使用参数进行计算hash。并将这个 hash 投射到 [0, 232 - 1] 的圆环上，当有查询或写入请求时，则生成一个 hash 值。而后查找第一个大于或等于该 hash 值的缓存节点，并到这个节点中查询或写入缓存项。若是当前节点挂了，则在下一次查询或写入缓存时，为缓存项查找另外一个大于其 hash 值的缓存节点便可。大体效果以下图所示（引用一下官网的图）
每一个缓存节点在圆环上占据一个位置。若是缓存项的 key 的 hash 值小于缓存节点 hash 值，则到该缓存节点中存储或读取缓存项，这里有两个概念不要弄混，缓存节点就比如dubbo中的服务提供者，会有不少的服务提供者，而缓存项就比如是服务引用的消费者。好比下面绿色点对应的缓存项也就是服务消费者将会被存储到 cache-2 节点中。因为 cache-3 挂了，本来应该存到该节点中的缓存项也就是服务消费者最终会存储到 cache-4 节点中，也就是调用cache-4 这个服务提供者。
可是在hash一致性算法并不可以保证hash算法的平衡性，就拿上面的例子来看，cache-3挂掉了，那该节点下的全部缓存项都要存储到 cache-4 节点中，这就致使hash值低的一直往高的存储，会面临一个不平衡的现象，见下图：
能够看到最后会变成相似不平衡的现象，那咱们应该怎么避免这样的事情，作到平衡性，那就须要引入虚拟节点，虚拟节点是实际节点在 hash 空间的复制品，“虚拟节点”在 hash 空间中以hash值排列。好比下图：
能够看到各个节点都被均匀分布在圆环上，而某一个服务提供者竟然有多个节点存在，分别跟其余节点交错排列，这样作的目的就是避免数据倾斜问题，也就是因为节点不够分散，致使大量请求落到了同一个节点上，而其余节点只会接收到了少许请求的状况。相似第二张图的状况。
看完原理，接下来咱们来看看代码
1.doSelect
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// 得到方法名
String methodName = RpcUtils.getMethodName(invocation);
// 得到key
String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName;
// 获取 invokers 原始的 hashcode
int identityHashCode = System.identityHashCode(invokers);
// 从一致性 hash 选择器集合中得到一致性 hash 选择器
ConsistentHashSelector<T> selector = (ConsistentHashSelector<T>) selectors.get(key);
// 若是等于空或者选择器的hash值不等于原始的值，则新建一个一致性 hash 选择器，而且加入到集合
if (selector == null || selector.identityHashCode != identityHashCode) {
selectors.put(key, new ConsistentHashSelector<T>(invokers, methodName, identityHashCode));
selector = (ConsistentHashSelector<T>) selectors.get(key);
}
// 选择器选择一个invoker
return selector.select(invocation);
}
该方法也作了一些invokers 列表是否是变更过，以及建立 ConsistentHashSelector等工做，而后调用selector.select来进行选择。
2.ConsistentHashSelector
private static final class ConsistentHashSelector<T> {
/**
* 存储 Invoker 虚拟节点
*/
private final TreeMap<Long, Invoker<T>> virtualInvokers;
/**
* 每一个Invoker 对应的虚拟节点数
*/
private final int replicaNumber;
/**
* 原始哈希值
*/
private final int identityHashCode;
/**
* 取值参数位置数组
*/
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();
// 获取虚拟节点数，默认为160
this.replicaNumber = url.getMethodParameter(methodName, "hash.nodes", 160);
// 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
String[] index = Constants.COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, "hash.arguments", "0"));
// 建立下标数组
argumentIndex = new int[index.length];
// 遍历
for (int i = 0; i < index.length; i++) {
// 记录下标
argumentIndex[i] = Integer.parseInt(index[i]);
}
// 遍历invokers
for (Invoker<T> invoker : invokers) {
String address = invoker.getUrl().getAddress();
for (int i = 0; i < replicaNumber / 4; i++) {
// 对 address + i 进行 md5 运算，获得一个长度为16的字节数组
byte[] digest = md5(address + i);
// // 对 digest 部分字节进行4次 hash 运算，获得四个不一样的 long 型正整数
for (int h = 0; h < 4; h++) {
// h = 0 时，取 digest 中下标为 0 ~ 3 的4个字节进行位运算
// h = 1 时，取 digest 中下标为 4 ~ 7 的4个字节进行位运算
// h = 2, h = 3 时过程同上
long m = hash(digest, h);
// 将 hash 到 invoker 的映射关系存储到 virtualInvokers 中，
// virtualInvokers 须要提供高效的查询操做，所以选用 TreeMap 做为存储结构
virtualInvokers.put(m, invoker);
}
}
}
}
/**
* 选择一个invoker
* @param invocation
* @return
*/
public Invoker<T> select(Invocation invocation) {
// 将参数转为 key
String key = toKey(invocation.getArguments());
// 对参数 key 进行 md5 运算
byte[] digest = md5(key);
// 取 digest 数组的前四个字节进行 hash 运算，再将 hash 值传给 selectForKey 方法，
// 寻找合适的 Invoker
return selectForKey(hash(digest, 0));
}
/**
* 将参数转为 key
* @param args
* @return
*/
private String toKey(Object[] args) {
StringBuilder buf = new StringBuilder();
// 遍历参数下标
for (int i : argumentIndex) {
if (i >= 0 && i < args.length) {
// 拼接参数，生成key
buf.append(args[i]);
}
}
return buf.toString();
}
/**
* 经过hash选择invoker
* @param hash
* @return
*/
private Invoker<T> selectForKey(long hash) {
// 到 TreeMap 中查找第一个节点值大于或等于当前 hash 的 Invoker
Map.Entry<Long, Invoker<T>> entry = virtualInvokers.tailMap(hash, true).firstEntry();
// 若是 hash 大于 Invoker 在圆环上最大的位置，此时 entry = null，
// 须要将 TreeMap 的头节点赋值给 entry
if (entry == null) {
entry = virtualInvokers.firstEntry();
}
// 返回选择的invoker
return entry.getValue();
}
/**
* 计算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();
}
}
该类是内部类，是一致性 hash 选择器，首先看它的属性，利用TreeMap来存储 Invoker 虚拟节点，由于须要提供高效的查询操做。再看看它的构造方法，执行了一系列的初始化逻辑，好比从配置中获取虚拟节点数以及参与 hash 计算的参数下标，默认状况下只使用第一个参数进行 hash，而且ConsistentHashLoadBalance 的负载均衡逻辑只受参数值影响，具备相同参数值的请求将会被分配给同一个服务提供者。还有一个select方法，比较简单，先进行md5运算。而后hash，最后选择出对应的invoker。
(五)RoundRobinLoadBalance
该类是负载均衡基于加权轮询算法的实现。那么什么是加权轮询，轮询很好理解，好比我第一个请求分配给A服务器，第二个请求分配给B服务器，第三个请求分配给C服务器，第四个请求又分配给A服务器，这就是轮询，可是这只适合每台服务器性能相近的状况，这种是一种很是理想的状况，那更多的是每台服务器的性能都会有所差别，这个时候性能差的服务器被分到等额的请求，就会须要承受压力大宕机的状况，这个时候咱们须要对轮询加权，我举个例子，服务器 A、B、C 权重比为 6:3:1，那么在10次请求中，服务器 A 将收到其中的6次请求，服务器 B 会收到其中的3次请求，服务器 C 则收到其中的1次请求，也就是说每台服务器可以收到的请求归结于它的权重。
1.属性
/** * 回收间隔 */ private static int RECYCLE_PERIOD = 60000;
2.WeightedRoundRobin
protected static class WeightedRoundRobin {
/**
* 权重
*/
private int weight;
/**
* 当前已经有多少请求落在该服务提供者身上，也能够当作是一个动态的权重
*/
private AtomicLong current = new AtomicLong(0);
/**
* 最后一次更新时间
*/
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;
}
}
该内部类是一个加权轮询器，它记录了某一个服务提供者的一些数据，好比权重、好比当前已经有多少请求落在该服务提供者上等。
3.doSelect
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// key = 全限定类名 + "." + 方法名，好比 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);
}
// 权重总和
int totalWeight = 0;
// 最小权重
long maxCurrent = Long.MIN_VALUE;
// 得到如今的时间戳
long now = System.currentTimeMillis();
// 建立已经选择的invoker
Invoker<T> selectedInvoker = null;
// 建立加权轮询器
WeightedRoundRobin selectedWRR = null;
// 下面这个循环主要作了这样几件事情：
// 1. 遍历 Invoker 列表，检测当前 Invoker 是否有
// 相应的 WeightedRoundRobin，没有则建立
// 2. 检测 Invoker 权重是否发生了变化，若变化了，
// 则更新 WeightedRoundRobin 的 weight 字段
// 3. 让 current 字段加上自身权重，等价于 current += weight
// 4. 设置 lastUpdate 字段，即 lastUpdate = now
// 5. 寻找具备最大 current 的 Invoker，以及 Invoker 对应的 WeightedRoundRobin，
// 暂存起来，留做后用
// 6. 计算权重总和
for (Invoker<T> invoker : invokers) {
// 得到identify的值
String identifyString = invoker.getUrl().toIdentityString();
// 得到加权轮询器
WeightedRoundRobin weightedRoundRobin = map.get(identifyString);
// 计算权重
int weight = getWeight(invoker, invocation);
// 若是权重小于0，则设置0
if (weight < 0) {
weight = 0;
}
// 若是加权轮询器为空
if (weightedRoundRobin == null) {
// 建立加权轮询器
weightedRoundRobin = new WeightedRoundRobin();
// 设置权重
weightedRoundRobin.setWeight(weight);
// 加入集合
map.putIfAbsent(identifyString, weightedRoundRobin);
weightedRoundRobin = map.get(identifyString);
}
// 若是权重跟以前的权重不同，则从新设置权重
if (weight != weightedRoundRobin.getWeight()) {
//weight changed
weightedRoundRobin.setWeight(weight);
}
// 计数器加1
long cur = weightedRoundRobin.increaseCurrent();
// 更新最后一次更新时间
weightedRoundRobin.setLastUpdate(now);
// 当落在该服务提供者的统计数大于最大可承受的数
if (cur > maxCurrent) {
// 赋值
maxCurrent = cur;
// 被选择的selectedInvoker赋值
selectedInvoker = invoker;
// 被选择的加权轮询器赋值
selectedWRR = weightedRoundRobin;
}
// 累加
totalWeight += weight;
}
// 若是更新锁不能得到而且invokers的大小跟map大小不匹配
// 对 <identifyString, WeightedRoundRobin> 进行检查，过滤掉长时间未被更新的节点。
// 该节点可能挂了，invokers 中不包含该节点，因此该节点的 lastUpdate 长时间没法被更新。
// 若未更新时长超过阈值后，就会被移除掉，默认阈值为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>();
// 复制
newMap.putAll(map);
Iterator<Entry<String, WeightedRoundRobin>> it = newMap.entrySet().iterator();
// 轮询
while (it.hasNext()) {
Entry<String, WeightedRoundRobin> item = it.next();
// 若是大于回收时间，则进行回收
if (now - item.getValue().getLastUpdate() > RECYCLE_PERIOD) {
// 从集合中移除
it.remove();
}
}
// 加入集合
methodWeightMap.put(key, newMap);
} finally {
updateLock.set(false);
}
}
}
// 若是被选择的selectedInvoker不为空
if (selectedInvoker != null) {
// 设置总的权重
selectedWRR.sel(totalWeight);
return selectedInvoker;
}
// should not happen here
return invokers.get(0);
}
该方法是选择的核心，其实关键是一些数据记录，在每次请求都会记录落在该服务上的请求数，而后在根据权重来分配，而且会有回收时间来处理一些长时间未被更新的节点。
后记
该部分相关的源码解析地址： https://github.com/CrazyHZM/i...
该文章讲解了集群中关于负载均衡实现的部分，每一个算法都是如今很广泛的负载均衡算法，但愿你们细细品味。接下来我将开始对集群模块关于分组聚合部分进行讲解。
相关文章
- 1. Dubbo 源码分析 - 集群容错之 LoadBalance
- 2. 解析 Dubbo 的 LoadBalance 策略源码
- 3. dubbo集群容错之LoadBalance
- 4. Dubbo源码解析（三十七）集群——directory
- 5. dubbo源码解析（三十四）集群——开篇
- 6. Dubbo源码解析（三十六）集群——configurator
- 7. dubbo源码解析（三十五）集群——cluster
- 8. dubbo源码分析-Directory 和 LoadBalance-笔记
- 9. Dubbo源码解析之服务集群
- 10. ElasticSearch 源码分析 十三 集群
- 更多相关文章...
- • Swarm 集群管理 - Docker教程
- • XML DOM 解析器 - XML DOM 教程
- • Scala 中文乱码解决
- • 互联网组织的未来：剖析GitHub员工的任性之源
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章