V2AS问路
Java实现负载均衡算法--轮询和加权轮询
阅读原文时间：2022年04月12日阅读：1

轮询（Round Robin，RR）是依次将用户的访问请求，按循环顺序分配到web服务节点上，从1开始到最后一台服务器节点结束，然后再开始新一轮的循环。这种算法简单，但是没有考虑到每台节点服务器的具体性能，请求分发往往不均衡。

代码实现：

/**
 * 普通轮询算法
 */public class RoundRobin {
    private static Integer index = 0;
    private static List<String> nodes = new ArrayList<>();
    // 准备模拟数据
    static {
        nodes.add("192.168.1.101");
        nodes.add("192.168.1.103");
        nodes.add("192.168.1.102");
        System.out.println("普通轮询算法的所有节点："+nodes);//打印所有节点
    }

    // 关键代码
    public String selectNode(){
        String ip = null;
        synchronized (index){
            // 下标复位
            if(index>=nodes.size()) index = 0;
            ip = nodes.get(index);
            index++;
        }
        return ip;
    }

    // 并发测试：两个线程循环获取节点
    public static void main(String[] args) {
        new Thread(() -> {
            RoundRobin roundRobin1 = new RoundRobin();
            for (int i=1;i<=5;i++){
                String serverIp = roundRobin1.selectNode();
                System.out.println(Thread.currentThread().getName()+"==第"+i+"次获取节点："+serverIp);
            }
        }).start();

        RoundRobin roundRobin2 = new RoundRobin();
        for (int i=1;i<=nodes.size();i++){
            String serverIp = roundRobin2.selectNode();
            System.out.println(Thread.currentThread().getName()+"==第"+i+"次获取节点："+serverIp);
        }
    }
}

执行结果：不同线程访问，结果依旧是按顺序循环分配节点

普通轮询算法的所有节点：[192.168.1.101, 192.168.1.103, 192.168.1.102]

main==第1次获取节点：192.168.1.101

Thread-0==第1次获取节点：192.168.1.103

Thread-0==第2次获取节点：192.168.1.102

Thread-0==第3次获取节点：192.168.1.101

Thread-0==第4次获取节点：192.168.1.103

Thread-0==第5次获取节点：192.168.1.102

main==第2次获取节点：192.168.1.101

main==第3次获取节点：192.168.1.103

加权轮询（Weighted Round Robin，WRR）是根据设定的权重值来分配访问请求，权重值越大的，被分到的请求数也就越多。一般根据每台节点服务器的具体性能来分配权重。

2.1.实现方式一

将需要轮询的所有节点按权重数循环生成一个List 集合，然后就跟普通轮询算法一样，来一个、分配一个、进1位。

例如：

所有节点信息：{{“192.168.1.100“,5},{“192.168.1.101“,1},{“192.168.1.102“,3}}

那么生成的List 集合为：

{“192.168.1.100“,

“192.168.1.100“,

“192.168.1.100“,

“192.168.1.100“,

“192.168.1.100“,

“192.168.1.101“,

“192.168.1.102“,

“192.168.1.102“,

“192.168.1.102“}

后面就是普通轮询算法的逻辑

代码实现：

类似于二维数组 降维成 一维数组，然后使用普通轮询

/**
 *  简单版的加权轮询
 */public class WeightedRoundRobinSimple {
    private static Integer index = 0;
    private static Map<String,Integer> mapNodes = new HashMap<>();

    // 准备模拟数据
    static {
        mapNodes.put("192.168.1.101",1);
        mapNodes.put("192.168.1.102",3);
        mapNodes.put("192.168.1.103",2);
        /* -- 以下代码只为了方便查看所有节点，删除不影响 -- S */
        List<String> nodes = new ArrayList<>();
        Iterator<Map.Entry<String, Integer>> iterator = mapNodes.entrySet().iterator();
        while (iterator.hasNext()){
            Map.Entry<String, Integer> entry = iterator.next();
            String key = entry.getKey();
            for (int i=0;i<entry.getValue();i++){
                nodes.add(key);
            }
        }
        System.out.println("简单版的加权轮询："+nodes);//打印所有节点
        /* -- 以上代码只为了方便查看所有节点，删除不影响-- E */
    }

    // 关键代码：类似于二维数组 降维成 一维数组，然后使用普通轮询
    public String selectNode(){
        List<String> nodes = new ArrayList<>();
        Iterator<Map.Entry<String, Integer>> iterator = mapNodes.entrySet().iterator();
        while (iterator.hasNext()){
            Map.Entry<String, Integer> entry = iterator.next();
            String key = entry.getKey();
            for (int i=0;i<entry.getValue();i++){
                nodes.add(key);
            }
        }
        String ip = null;
        synchronized (index){
            // 下标复位
            if(index>=nodes.size()) index = 0;
            ip = nodes.get(index);
            index++;
        }
        return ip;
    }

    // 并发测试：两个线程循环获取节点
    public static void main(String[] args) {
        new Thread(() -> {
            WeightedRoundRobinSimple roundRobin1 = new WeightedRoundRobinSimple();
            for (int i=1;i<=6;i++){
                String serverIp = roundRobin1.selectNode();
                System.out.println(Thread.currentThread().getName()+"==第"+i+"次获取节点："+serverIp);
            }
        }).start();

        WeightedRoundRobinSimple roundRobin2 = new WeightedRoundRobinSimple();
        for (int i=1;i<=6;i++){
            String serverIp = roundRobin2.selectNode();
            System.out.println(Thread.currentThread().getName()+"==第"+i+"次获取节点："+serverIp);
        }
    }
}

执行结果：两个线程循环测试，输出结果会出现交替分配到不同的IP，但最终的效果都是一个个按顺序分配，类似于普通轮询算法。

简单版的加权轮询：[192.168.1.103, 192.168.1.103, 192.168.1.101, 192.168.1.102, 192.168.1.102, 192.168.1.102]

main==第1次获取节点：192.168.1.103

main==第2次获取节点：192.168.1.103

main==第3次获取节点：192.168.1.101

main==第4次获取节点：192.168.1.102

main==第5次获取节点：192.168.1.102

Thread-0==第1次获取节点：192.168.1.102

Thread-0==第2次获取节点：192.168.1.103

main==第6次获取节点：192.168.1.103

Thread-0==第3次获取节点：192.168.1.101

Thread-0==第4次获取节点：192.168.1.102

Thread-0==第5次获取节点：192.168.1.102

Thread-0==第6次获取节点：192.168.1.102

2.2.实现方式二（重点难点）

本文的重点难点。

在实现方式一的算法中可以很明显的看到，同权重的IP会被连续分配，也就是说同一个IP在短时间内收到不同的请求，过了这个连续点，就要等到下一轮才会被分配到，并没有做到均匀分配节点。

实现方式二将尽可能地均匀分配每个节点，节点分配不再是连续的，但最终的权重比和上一个方式一样，这种加权轮询又被称为平滑加权轮询。

理解关键的几个参数和算法逻辑，方便理解代码的实现。

2.2.1.概述

关键参数

  • ip：负载IP

  • weight：权重，保存配置的权重

  • effectiveWeight：有效权重，轮询的过程权重可能变化

  • currentWeight：当前权重，比对该值大小获取节点

注意几个点：

weight 权重，在整个过程不会对它做修改，只用来保存配置时的权重参数值。如果直接拿weight 运算而不保存配置的最原始权重参数，那么将会丢失最关键的用户配置的权重参数。

effectiveWeight 有效权重，在整个过程可能会变化，初始值等于weight，主要用于当节点出现分配失败时降低权重值，成功时提高权重值（但不能大于weight值），本案例为了简化算法，并未加入这功能，因此本案例中effectiveWeight始终等于weight。

currentWeight 当前权重，通过循环所有节点比对该值大小来分配权重最大的节点，初始值等于weight。

三个权重参数的变化情况

仅仅针对本案例，因为本案例为了简化算法，并未加入[节点出现分配失败时降低权重值，成功时提高权重值（但不能大于weight值）的功能]，所以有效权重effectiveWeight 不会发生变化。

  • 第一次加权轮询时：currentWeight = weight = effectiveWeight；

  • 后面每次加权轮询时：currentWeight 的值都会不断变化，weight 和effectiveWeight 的值不变；

  • 被分配的节点的currentWeight = currentWeight - 权重之和

  • 所有节点的currentWeight = currentWeight + effectiveWeight

2.2.2.举个例子理解算法

你面前有三个瓶子A、B、C，分别装有1L、3L、2L水。

第一轮分配情况：B多，所以把B瓶子的3L水，分1L给A，分2L给C（按权重分），分完之后：A、B、C分别为：2L、0L、4L

第二轮分配情况：C多，所以把C瓶子的4L水，分1L给A，分3L给B（按权重分），分完之后：A、B、C分别为：3L、3L、0L

第三轮分配情况：A和B一样多，那么拿谁去分呢？拿谁其实都一样（算法中写了A大于B才选A，现在等于，所以不选A），所以把B瓶子的3L水，分1L给A，分2L给C（按权重分），分完之后：A、B、C分别为：4L、0L、2L

然后不断的进行下去……

简化成数学逻辑（代码实现）的关键两步

  • 被分配的节点的currentWeight = currentWeight - 权重之和

  • 所有节点的currentWeight = currentWeight + effectiveWeight

下面通过阅读代码来理解

2.2.3.代码实现

节点对象

/**
 * String ip：负载IP
 * final Integer weight：权重，保存配置的权重
 * Integer effectiveWeight：有效权重，轮询的过程权重可能变化
 * Integer currentWeight：当前权重，比对该值大小获取节点
 *   第一次加权轮询时：currentWeight = weight = effectiveWeight
 *   后面每次加权轮询时：currentWeight 的值都会不断变化，其他权重不变
 */public class Node implements Comparable<Node>{
    private String ip;
    private final Integer weight;
    private Integer effectiveWeight;
    private Integer currentWeight;

    public Node(String ip,Integer weight){
        this.ip = ip;
        this.weight = weight;
        this.effectiveWeight = weight;
        this.currentWeight = weight;
    }

    public Node(String ip, Integer weight, Integer effectiveWeight, Integer currentWeight) {
        this.ip = ip;
        this.weight = weight;
        this.effectiveWeight = effectiveWeight;
        this.currentWeight = currentWeight;
    }

    public String getIp() {
        return ip;
    }

    public void setIp(String ip) {
        this.ip = ip;
    }

    public Integer getWeight() {
        return weight;
    }

    public Integer getEffectiveWeight() {
        return effectiveWeight;
    }

    public void setEffectiveWeight(Integer effectiveWeight) {
        this.effectiveWeight = effectiveWeight;
    }

    public Integer getCurrentWeight() {
        return currentWeight;
    }

    public void setCurrentWeight(Integer currentWeight) {
        this.currentWeight = currentWeight;
    }

    @Override
    public int compareTo(Node node) {
        return currentWeight > node.currentWeight ? 1 : (currentWeight.equals(node.currentWeight) ? 0 : -1);
    }

    @Override
    public String toString() {
        return "{ip='" + ip + "', weight=" + weight + ", effectiveWeight=" + effectiveWeight + ", currentWeight=" + currentWeight + "}";
    }
}

加权轮询算法

/**
 * 加权轮询算法
 */public class WeightedRoundRobin {

    private static List<Node> nodes = new ArrayList<>();
    // 权重之和
    private static Integer totalWeight = 0;
    // 准备模拟数据
    static {
        nodes.add(new Node("192.168.1.101",1));
        nodes.add(new Node("192.168.1.102",3));
        nodes.add(new Node("192.168.1.103",2));
        nodes.forEach(node -> totalWeight += node.getEffectiveWeight());
    }

    /**
     * 按照当前权重（currentWeight）最大值获取IP
     * @return Node
     */
    public Node selectNode(){
        if (nodes ==null || nodes.size()<=0) return null;
        if (nodes.size() == 1)  return nodes.get(0);

        Node nodeOfMaxWeight = null; // 保存轮询选中的节点信息
        synchronized (nodes){
            // 打印信息对象：避免并发时打印出来的信息太乱，不利于观看结果
            StringBuffer sb = new StringBuffer();
            sb.append(Thread.currentThread().getName()+"==加权轮询--[当前权重]值的变化："+printCurrentWeight(nodes));

            // 选出当前权重最大的节点
            Node tempNodeOfMaxWeight = null;
            for (Node node : nodes) {
                if (tempNodeOfMaxWeight == null)
                    tempNodeOfMaxWeight = node;
                else
                    tempNodeOfMaxWeight = tempNodeOfMaxWeight.compareTo(node) > 0 ? tempNodeOfMaxWeight : node;
            }
            // 必须new个新的节点实例来保存信息，否则引用指向同一个堆实例，后面的set操作将会修改节点信息
            nodeOfMaxWeight = new Node(tempNodeOfMaxWeight.getIp(),tempNodeOfMaxWeight.getWeight(),tempNodeOfMaxWeight.getEffectiveWeight(),tempNodeOfMaxWeight.getCurrentWeight());

            // 调整当前权重比：按权重（effectiveWeight）的比例进行调整，确保请求分发合理。
            tempNodeOfMaxWeight.setCurrentWeight(tempNodeOfMaxWeight.getCurrentWeight() - totalWeight);
            sb.append(" -> "+printCurrentWeight(nodes));

            nodes.forEach(node -> node.setCurrentWeight(node.getCurrentWeight()+node.getEffectiveWeight()));

            sb.append(" -> "+printCurrentWeight(nodes));
            System.out.println(sb); //打印权重变化过程
        }
        return nodeOfMaxWeight;
    }

    // 格式化打印信息
    private String printCurrentWeight(List<Node> nodes){
        StringBuffer stringBuffer = new StringBuffer("[");
        nodes.forEach(node -> stringBuffer.append(node.getCurrentWeight()+",") );
        return stringBuffer.substring(0, stringBuffer.length() - 1) + "]";
    }

    // 并发测试：两个线程循环获取节点
    public static void main(String[] args){
        Thread thread = new Thread(() -> {
            WeightedRoundRobin weightedRoundRobin1 = new WeightedRoundRobin();
            for(int i=1;i<=totalWeight;i++){
                Node node = weightedRoundRobin1.selectNode();
                System.out.println(Thread.currentThread().getName()+"==第"+i+"次轮询选中[当前权重最大]的节点：" + node + "\n");
            }
        });
        thread.start();
        //
        WeightedRoundRobin weightedRoundRobin2 = new WeightedRoundRobin();
        for(int i=1;i<=totalWeight;i++){
            Node node = weightedRoundRobin2.selectNode();
            System.out.println(Thread.currentThread().getName()+"==第"+i+"次轮询选中[当前权重最大]的节点：" + node + "\n");
        }

    }
}

执行结果：

main==加权轮询--[当前权重]值的变化：[1,3,2] -> [1,-3,2] -> [2,0,4]
main==第1次轮询选中[当前权重最大]的节点：{ip='192.168.1.102', weight=3, effectiveWeight=3, currentWeight=3}

Thread-0==加权轮询--[当前权重]值的变化：[2,0,4] -> [2,0,-2] -> [3,3,0]
Thread-0==第1次轮询选中[当前权重最大]的节点：{ip='192.168.1.103', weight=2, effectiveWeight=2, currentWeight=4}

main==加权轮询--[当前权重]值的变化：[3,3,0] -> [3,-3,0] -> [4,0,2]
main==第2次轮询选中[当前权重最大]的节点：{ip='192.168.1.102', weight=3, effectiveWeight=3, currentWeight=3}

main==加权轮询--[当前权重]值的变化：[4,0,2] -> [-2,0,2] -> [-1,3,4]
main==第3次轮询选中[当前权重最大]的节点：{ip='192.168.1.101', weight=1, effectiveWeight=1, currentWeight=4}

Thread-0==加权轮询--[当前权重]值的变化：[-1,3,4] -> [-1,3,-2] -> [0,6,0]
Thread-0==第2次轮询选中[当前权重最大]的节点：{ip='192.168.1.103', weight=2, effectiveWeight=2, currentWeight=4}

main==加权轮询--[当前权重]值的变化：[0,6,0] -> [0,0,0] -> [1,3,2]
main==第4次轮询选中[当前权重最大]的节点：{ip='192.168.1.102', weight=3, effectiveWeight=3, currentWeight=6}

Thread-0==加权轮询--[当前权重]值的变化：[1,3,2] -> [1,-3,2] -> [2,0,4]
Thread-0==第3次轮询选中[当前权重最大]的节点：{ip='192.168.1.102', weight=3, effectiveWeight=3, currentWeight=3}

main==加权轮询--[当前权重]值的变化：[2,0,4] -> [2,0,-2] -> [3,3,0]
main==第5次轮询选中[当前权重最大]的节点：{ip='192.168.1.103', weight=2, effectiveWeight=2, currentWeight=4}

Thread-0==加权轮询--[当前权重]值的变化：[3,3,0] -> [3,-3,0] -> [4,0,2]
Thread-0==第4次轮询选中[当前权重最大]的节点：{ip='192.168.1.102', weight=3, effectiveWeight=3, currentWeight=3}

main==加权轮询--[当前权重]值的变化：[4,0,2] -> [-2,0,2] -> [-1,3,4]
main==第6次轮询选中[当前权重最大]的节点：{ip='192.168.1.101', weight=1, effectiveWeight=1, currentWeight=4}

Thread-0==加权轮询--[当前权重]值的变化：[-1,3,4] -> [-1,3,-2] -> [0,6,0]
Thread-0==第5次轮询选中[当前权重最大]的节点：{ip='192.168.1.103', weight=2, effectiveWeight=2, currentWeight=4}

Thread-0==加权轮询--[当前权重]值的变化：[0,6,0] -> [0,0,0] -> [1,3,2]
Thread-0==第6次轮询选中[当前权重最大]的节点：{ip='192.168.1.102', weight=3, effectiveWeight=3, currentWeight=6}

为了方便分析，简化两线程执行后的结果

[当前权重]值的变化：[1,3,2] -> [1,-3,2] -> [2,0,4]

[当前权重]值的变化：[2,0,4] -> [2,0,-2] -> [3,3,0]

[当前权重]值的变化：[3,3,0] -> [3,-3,0] -> [4,0,2]

[当前权重]值的变化：[4,0,2] -> [-2,0,2] -> [-1,3,4]

[当前权重]值的变化：[-1,3,4] -> [-1,3,-2] -> [0,6,0]

[当前权重]值的变化：[0,6,0] -> [0,0,0] -> [1,3,2]

[当前权重]值的变化：[1,3,2] -> [1,-3,2] -> [2,0,4]

[当前权重]值的变化：[2,0,4] -> [2,0,-2] -> [3,3,0]

[当前权重]值的变化：[3,3,0] -> [3,-3,0] -> [4,0,2]

[当前权重]值的变化：[4,0,2] -> [-2,0,2] -> [-1,3,4]

[当前权重]值的变化：[-1,3,4] -> [-1,3,-2] -> [0,6,0]

[当前权重]值的变化：[0,6,0] -> [0,0,0] -> [1,3,2]

因为整个过程只有当前权重发生变化，所以分析清楚它就明白了整个过程。

结论：

分配完成后当前权重发生变化，但权限之和还是等于最初值；

每6轮（1+3+2权重）就出现权重全部为0，所以会出现重新循环，6正好等于权重之和，权重比等于1/6 : 3/6 : 2/6；

a=权重1，b=权重3，c=权重2，那么权重变化的6（a+b+c)次中，分配情况为：b c b a c b，很明显，每个节点均匀按权重分配，节点分配不再是连续的。这也是最重要的结论，正是实现方式二在文初提到的要实现的关键点。

该算法在权重比相差很大时，比如：A=1，B=5，那这个算法的结果就跟方式一没啥区别了，分配结果就变成了：{A,B,B,B,B,B}，既然没区别，那根据算法复杂情况，那肯定方式一更好了，所以方式一和方式二可以互补，可以根据权重比选择不同的算法。

留下悬念

第一点：节点出现分配失败时降低有效权重值，成功时提高有效权重值（但不能大于weight值）的功能。理解了方式二，后面再加这块功能进去就很好理解了；

第二点：该算法实现的背后数学证明，用的是什么数学理论？

Java往期文章

Java全栈学习路线、学习资源和面试题一条龙

我心里优秀架构师是怎样的？

免费下载经典编程书籍

手机扫一扫

移动阅读更方便

阿里云服务器
腾讯云服务器
七牛云服务器

你可能感兴趣的文章

Go的任务调度单元与并发编程
【promptulate专栏】ChatGPT框架——两行代码构建一个强大的论文总结助手
【Netty】01 - NIO

4

05-面试必会-SpringBoot&SpringCloud

5

学习Apache（一）

6

从RabbitMQ平滑迁移到RocketMQ技术实战

7

【补题记录】ZJU-ICPC Summer Training 2020 部分补题记录

8

Java面试（解答题二）

9

PHPer 面试

10

DeepSpeed Chat: 一键式RLHF训练，让你的类ChatGPT千亿大模型提速省钱15倍