記得，我剛工作的時候，同事說了一個故事：在他剛工作的時候，他同事有一天興沖沖的跑到公司說，你們知道嗎，公司請了個大牛。大牛？對，那人會寫AJAX！哇，真是大牛啊，跟著他，可以學不少東西啊。我聽了笑了，但有點難以理解，因為現在幾乎只要是一個開發，都會寫AJAX，怎麼寫個AJAX就算大牛呢？後來我明白了，三年前高深莫測的技術到現在變得普普通通，不足為奇，就像我們今天要講的負載均衡，在幾何時，負載均衡只有大牛才能玩轉起來，但是到今天，一個小開發都可以聊上幾句。現在，就讓我們簡單的看看負載均衡把。
從負載均衡裝置的角度來看，分為硬體負載均衡和軟體負載均衡：
- 硬體負載均衡：比如最常見的F5，還有Array等，這些負載均衡是商業的負載均衡器，效能比較好，畢竟他們的就是為了負載均衡而生的，背後也有非常成熟的團隊，可以提供各種解決方案，但是價格比較昂貴，所以沒有充足的理由，充足的軟妹幣是不會考慮的。
- 軟體負載均衡：包括我們耳熟能詳的Nginx，LVS，Tengine（阿里對Nginx進行的改造）等。優點就是成本比較低，但是也需要有比較專業的團隊去維護，要自己去踩坑，去DIY。
從負載均衡的技術來看，分為服務端負載均衡和客戶端負載均衡：
- 服務端負載均衡：當我們訪問一個服務，請求會先到另外一臺伺服器，然後這臺伺服器會把請求分發到提供這個服務的伺服器，當然如果只有一臺伺服器，那好說，直接把請求給那一臺伺服器就可以了，但是如果有多臺伺服器呢？這時候，就會根據一定的演算法選擇一臺伺服器。
- 客戶端負載均衡：客戶端服務均衡的概念貌似是有了服務治理才產生的，簡單的來說，就是在一臺伺服器上維護著所有服務的ip，名稱等資訊，當我們在程式碼中訪問一個服務，是通過一個元件訪問的，這個元件會從那臺伺服器上取到所有提供這個服務的伺服器的資訊，然後通過一定的演算法，選擇一臺伺服器進行請求。
從負載均衡的演算法來看，又分為 隨機，輪詢，雜湊，最小壓力，當然可能還會加上權重的概念，負載均衡的演算法就是本文的重點了。
隨機
隨機就是沒有規律的，隨便從負載中獲得一臺，又分為完全隨機和加權隨機：
完全隨機
public class Servers {
public List<String> list = new ArrayList<>() {
{
add("192.168.1.1");
add("192.168.1.2");
add("192.168.1.3");
}
};
}
複製程式碼public class FullRandom {
static Servers servers = new Servers();
static Random random = new Random();
public static String go() {
var number = random.nextInt(servers.list.size());
return servers.list.get(number);
}
public static void main(String[] args) {
for (var i = 0; i < 15; i++) {
System.out.println(go());
}
}
}
複製程式碼執行結果：
完全隨機是最簡單的負載均衡演算法了，缺點比較明顯，因為伺服器有好有壞，處理能力是不同的，我們希望效能好的伺服器多處理些請求，效能差的伺服器少處理一些請求，所以就有了加權隨機。
加權隨機
加權隨機，雖然還是採用的隨機演算法，但是為每臺伺服器設定了權重，權重大的伺服器獲得的概率大一些，權重小的伺服器獲得的概率小一些。
關於加權隨機的演算法，有兩種實現方式：
一種是網上流傳的，程式碼比較簡單：構建一個伺服器的List，如果A伺服器的權重是2，那麼往List裡面Add兩次A伺服器，如果B伺服器的權重是7，那麼我往List裡面Add7次B伺服器，以此類推，然後我再生成一個隨機數，隨機數的上限就是權重的總和，也就是List的Size。這樣權重越大的，被選中的概率當然越高，程式碼如下：
public class Servers {
public HashMap<String, Integer> map = new HashMap<>() {
{
put("192.168.1.1", 2);
put("192.168.1.2", 7);
put("192.168.1.3", 1);
}
};
}
複製程式碼public class WeightRandom {
static Servers servers = new Servers();
static Random random = new Random();
public static String go() {
var ipList = new ArrayList<String>();
for (var item : servers.map.entrySet()) {
for (var i = 0; i < item.getValue(); i++) {
ipList.add(item.getKey());
}
}
int allWeight = servers.map.values().stream().mapToInt(a -> a).sum();
var number = random.nextInt(allWeight);
return ipList.get(number);
}
public static void main(String[] args) {
for (var i = 0; i < 15; i++) {
System.out.println(go());
}
}
}
複製程式碼執行結果：
可以很清楚的看到，權重小的伺服器被選中的概率相對是比較低的。
當然我在這裡僅僅是為了演示，一般來說，可以把構建伺服器List的程式碼移動到靜態程式碼塊中，不用每次都構建。
這種實現方式相對比較簡單，很容易就能想到，但是也有缺點，如果我幾臺伺服器權重設定的都很大，比如上千，上萬，那麼伺服器List也有上萬條資料，這不是白白佔用記憶體嗎？
所以聰明的程式設計師想到了第二種方式：
為了方便解釋，還是就拿上面的例子來說吧：
如果A伺服器的權重是2，B伺服器的權重是7，C伺服器的權重是1：
- 如果我生成的隨機數是1，那麼落到A伺服器，因為1<=2（A伺服器的權重）
- 如果我生成的隨機數是5，那麼落到B伺服器，因為5>2（A伺服器的權重），5-2（A伺服器的權重）=3，3<7（B伺服器的權重）
- 如果我生成的隨機數是10，那麼落到C伺服器，因為10>2（A伺服器的權重），10-2（A伺服器的權重）=8，8>7（B伺服器的權重），8-7（B伺服器的權重）=1， 1<=1（C伺服器的權重）
不知道部落格對於大於小於符號，會不會有特殊處理，所以我再截個圖：
也許，光看文字描述還是不夠清楚，可以結合下面醜到爆炸的圖片來理解下：
- 如果生成的隨機數是5，那麼落到第二塊區域
- 如果生成的隨機數是10，那麼落到第三塊區域
程式碼如下：
public class WeightRandom {
static Servers servers = new Servers();
static Random random = new Random();
public static String go() {
int allWeight = servers.map.values().stream().mapToInt(a -> a).sum();
var number = random.nextInt(allWeight);
for (var item : servers.map.entrySet()) {
if (item.getValue() >= number) {
return item.getKey();
}
number -= item.getValue();
}
return "";
}
public static void main(String[] args) {
for (var i = 0; i < 15; i++) {
System.out.println(go());
}
}
}
複製程式碼執行結果：
這種實現方式雖然相對第一種實現方式比較“繞”，但卻是一種比較好的實現方式， 對記憶體沒有浪費，權重大小和伺服器List的Size也沒有關係。
輪詢
輪詢又分為三種，1.完全輪詢 2.加權輪詢 3.平滑加權輪詢
完全輪詢
public class FullRound {
static Servers servers = new Servers();
static int index;
public static String go() {
if (index == servers.list.size()) {
index = 0;
}
return servers.list.get(index++);
}
public static void main(String[] args) {
for (var i = 0; i < 15; i++) {
System.out.println(go());
}
}
}
複製程式碼執行結果：
完全輪詢，也是比較簡單的，但是問題和完全隨機是一樣的，所以出現了加權輪詢。
加權輪詢
加權輪詢還是有兩種常用的實現方式，和加權隨機是一樣的，在這裡，我就演示我認為比較好的一種：
public class WeightRound {
static Servers servers = new Servers();
static int index;
public static String go() {
int allWeight = servers.map.values().stream().mapToInt(a -> a).sum();
int number = (index++) % allWeight;
for (var item : servers.map.entrySet()) {
if (item.getValue() > number) {
return item.getKey();
}
number -= item.getValue();
}
return "";
}
public static void main(String[] args) {
for (var i = 0; i < 15; i++) {
System.out.println(go());
}
}
}
複製程式碼執行結果：
加權輪詢，看起來並沒什麼問題，但是還是有一點瑕疵，其中一臺伺服器的壓力可能會突然上升，而另外的伺服器卻很“悠閒，喝著咖啡，看著新聞”。我們希望雖然是按照輪詢，但是中間最好可以有交叉，所以出現了第三種輪詢演算法：平滑加權輪詢。
平滑加權輪詢
平滑加權是一個演算法，很神奇的演算法，我們有必要先對這個演算法進行講解。 比如A伺服器的權重是5，B伺服器的權重是1，C伺服器的權重是1。 這個權重，我們稱之為“固定權重”，既然這個叫“固定權重”，那麼肯定還有叫“非固定權重的”，沒錯，“非固定權重”每次都會根據一定的規則變動。
- 第一次訪問，ABC的“非固定權重”分別是 5 1 1（初始），因為5是其中最大的，5對應的就是A伺服器，所以這次選到的伺服器就是A，然後我們用當前被選中的伺服器的權重-各個伺服器的權重之和，也就是A伺服器的權重-各個伺服器的權重之和。也就是5-7=-2，沒被選中的伺服器的“非固定權重”不做變化，現在三臺伺服器的“非固定權重”分別是-2 1 1。
- 第二次訪問，把第一次訪問最後得到的“非固定權重”+“固定權重”，現在三臺伺服器的“非固定權重”是3，2，2，因為3是其中最大的，3對應的就是A伺服器，所以這次選到的伺服器就是A，然後我們用當前被選中的伺服器的權重-各個伺服器的權重之和，也就是A伺服器的權重-各個伺服器的權重之和。也就是3-7=-4，沒被選中的伺服器的“非固定權重”不做變化，現在三臺伺服器的“非固定權重”分別是-4 1 1。
- 第三次訪問，把第二次訪問最後得到的“非固定權重”+“固定權重”，現在三臺伺服器的“非固定權重”是1，3，3，這個時候3雖然是最大的，但是卻出現了兩個，我們選第一個，第一個3對應的就是B伺服器，所以這次選到的伺服器就是B，然後我們用當前被選中的伺服器的權重-各個伺服器的權重之和，也就是B伺服器的權重-各個伺服器的權重之和。也就是3-7=-4，沒被選中的伺服器的“非固定權重”不做變化，現在三臺伺服器的“非固定權重”分別是1 -4 3。 ... 以此類推，最終得到這樣的表格：
| 請求 | 獲得伺服器前的非固定權重 | 選中的伺服器 | 獲得伺服器後的非固定權重 |
|---|---|---|---|
| 1 | {5, 1, 1} | A | {-2, 1, 1} |
| 2 | {3, 2, 2} | A | {-4, 2, 2} |
| 3 | {1, 3, 3} | B | {1, -4, 3} |
| 4 | {6, -3, 4} | A | {-1, -3, 4} |
| 5 | {4, -2, 5} | C | {4, -2, -2} |
| 6 | {9, -1, -1} | A | {2, -1, -1} |
| 7 | {7, 0, 0} | A | {0, 0, 0} |
| 8 | {5, 1, 1} | A | {-2, 1, 1} |
當第8次的時候，“非固定權重“又回到了初始的5 1 1，是不是很神奇，也許演算法還是比較繞的，但是程式碼卻簡單多了：
public class Server {
public Server(int weight, int currentWeight, String ip) {
this.weight = weight;
this.currentWeight = currentWeight;
this.ip = ip;
}
private int weight;
private int currentWeight;
private String ip;
public int getWeight() {
return weight;
}
public void setWeight(int weight) {
this.weight = weight;
}
public int getCurrentWeight() {
return currentWeight;
}
public void setCurrentWeight(int currentWeight) {
this.currentWeight = currentWeight;
}
public String getIp() {
return ip;
}
public void setIp(String ip) {
this.ip = ip;
}
}
複製程式碼public class Servers {
public HashMap<String, Server> serverMap = new HashMap<>() {
{
put("192.168.1.1", new Server(5,5,"192.168.1.1"));
put("192.168.1.2", new Server(1,1,"192.168.1.2"));
put("192.168.1.3", new Server(1,1,"192.168.1.3"));
}
};
}
複製程式碼public class SmoothWeightRound {
private static Servers servers = new Servers();
public static String go() {
Server maxWeightServer = null;
int allWeight = servers.serverMap.values().stream().mapToInt(Server::getWeight).sum();
for (Map.Entry<String, Server> item : servers.serverMap.entrySet()) {
var currentServer = item.getValue();
if (maxWeightServer == null || currentServer.getCurrentWeight() > maxWeightServer.getCurrentWeight()) {
maxWeightServer = currentServer;
}
}
assert maxWeightServer != null;
maxWeightServer.setCurrentWeight(maxWeightServer.getCurrentWeight() - allWeight);
for (Map.Entry<String, Server> item : servers.serverMap.entrySet()) {
var currentServer = item.getValue();
currentServer.setCurrentWeight(currentServer.getCurrentWeight() + currentServer.getWeight());
}
return maxWeightServer.getIp();
}
public static void main(String[] args) {
for (var i = 0; i < 15; i++) {
System.out.println(go());
}
}
}
複製程式碼執行結果：
這就是平滑加權輪詢，巧妙的利用了巧妙演算法，既有輪詢的效果，又避免了某臺伺服器壓力突然升高，不可謂不妙。
雜湊
負載均衡演算法中的雜湊演算法，就是根據某個值生成一個雜湊值，然後對應到某臺伺服器上去，當然可以根據使用者，也可以根據請求引數，或者根據其他，想怎麼來就怎麼來。如果根據使用者，就比較巧妙的解決了負載均衡下Session共享的問題，使用者小明走的永遠是A伺服器，使用者小笨永遠走的是B伺服器。
那麼如何用程式碼實現呢，這裡又需要引出一個新的概念：雜湊環。
什麼？我只聽過奧運五環，還有“啊 五環 你比四環多一環，啊 五環 你比六環少一環”，這個雜湊環又是什麼鬼？容我慢慢道來。
雜湊環，就是一個環！這...好像...有點難解釋呀，我們還是畫圖來說明把。
一個圓是由無數個點組成的，這是最簡單的數學知識，相信大家都可以理解吧，雜湊環也一樣，雜湊環也是有無數個“雜湊點”構成的，當然並沒有“雜湊點”這樣的說法，只是為了便於大家理解。
我們先計算出伺服器的雜湊值，比如根據IP，然後把這個雜湊值放到環裡，如上圖所示。
來了一個請求，我們再根據某個值進行雜湊，如果計算出來的雜湊值落到了A和B的中間，那麼按照順時針演算法，這個請求給B伺服器。
理想很豐滿，現實很孤單，可能三臺伺服器掌管的“區域”大小相差很大很大，或者乾脆其中一臺伺服器壞了，會出現如下的情況：
可以看出，A掌管的“區域”實在是太大，B可以說是“很悠閒，喝著咖啡，看著電影”，像這種情況，就叫“雜湊傾斜”。
那麼怎麼避免這種情況呢？虛擬節點。
什麼是虛擬節點呢，說白了，就是虛擬的節點...好像..沒解釋啊...還是上一張醜到爆炸的圖吧：
要實現此種負載均衡演算法，需要用到一個平時不怎麼常用的Map：TreeMap，對TreeMap不瞭解的朋友可以先去了解下TreeMap，下面放出程式碼：
private static String go(String client) {
int nodeCount = 20;
TreeMap<Integer, String> treeMap = new TreeMap();
for (String s : new Servers().list) {
for (int i = 0; i < nodeCount; i++)
treeMap.put((s + "--伺服器---" + i).hashCode(), s);
}
int clientHash = client.hashCode();
SortedMap<Integer, String> subMap = treeMap.tailMap(clientHash);
Integer firstHash;
if (subMap.size() > 0) {
firstHash = subMap.firstKey();
} else {
firstHash = treeMap.firstKey();
}
String s = treeMap.get(firstHash);
return s;
}
public static void main(String[] args) {
System.out.println(go("今天天氣不錯啊"));
System.out.println(go("192.168.5.258"));
System.out.println(go("0"));
System.out.println(go("-110000"));
System.out.println(go("風雨交加"));
}
複製程式碼執行結果：
雜湊負載均衡演算法到這裡就結束了。
最小壓力
所以的最小壓力負載均衡演算法就是 選擇一臺當前最“悠閒”的伺服器，如果A伺服器有100個請求，B伺服器有5個請求，而C伺服器只有3個請求，那麼毫無疑問會選擇C伺服器，這種負載均衡演算法是比較科學的。但是遺憾的在當前的場景下無法模擬出來“原汁原味”的最小壓力負載均衡演算法的。
當然在實際的負載均衡下，可能會將多個負載均衡演算法合在一起實現，比如先根據最小壓力演算法，當有幾臺伺服器的壓力一樣小的時候，再根據權重取出一臺伺服器，如果權重也一樣，再隨機取一臺，等等。
今天的內容到這裡就結束了，謝謝大家。