自適應負載均衡演算法原理與實現

背景

在選擇負載均衡演算法時，我們希望滿足以下要求：

1. 具備分割槽和機房排程親和性
   • 每次選擇的節點儘量是負載最低的
   • 每次儘可能選擇響應最快的節點
2. 無需人工干預故障節點
   • 當一個節點有故障時，負載均衡演算法可以自動隔離該節點
   • 當故障節點恢復時，能夠自動恢復對該節點的流量分發

基於這些考慮，go-zero 選擇了 p2c+EWMA 演算法來實現。

演算法的核心思想

p2c

p2c (Pick Of 2 Choices) 二選一: 在多個節點中隨機選擇兩個節點。

go-zero 中的會隨機的選擇 3 次，如果其中一次選擇的節點的健康條件滿足要求，就中斷選擇，採用這兩個節點。

EWMA

EWMA (Exponentially Weighted Moving-Average) 指數移動加權平均法: 是指各數值的加權係數隨時間呈指數遞減，越靠近當前時刻的數值加權係數就越大，體現了最近一段時間內的平均值。

• 公式:

  

• 變數解釋:

  • Vt: 代表的是第 t 次請求的 EWMA值
  • Vt-1: 代表的是第 t-1 次請求的 EWMA值
  • β: 是一個常量

EWMA 演算法的優勢

1. 相較於普通的計算平均值演算法，EWMA 不需要儲存過去所有的數值，計算量顯著減少，同時也減小了儲存資源。
2. 傳統的計算平均值演算法對網路耗時不敏感, 而 EWMA 可以通過請求頻繁來調節 β，進而迅速監控到網路毛刺或更多的體現整體平均值。
   • 當請求較為頻繁時, 說明節點網路負載升高了, 我們想監測到此時節點處理請求的耗時 (側面反映了節點的負載情況), 我們就相應的調小β。β越小，EWMA值 就越接近本次耗時，進而迅速監測到網路毛刺;
   • 當請求較為不頻繁時, 我們就相對的調大β值。這樣計算出來的 EWMA值 越接近平均值

β計算

go-zero 採用的是牛頓冷卻定律中的衰減函式模型計算 EWMA 演算法中的 β 值:

其中 Δt 為兩次請求的間隔，e，k 為常數

gRPC 中實現自定義負載均衡器

1. 首先我們需要實現 google.golang.org/grpc/balancer/base/base.go/PickerBuilder 介面, 這個介面是有服務節點更新的時候會呼叫介面裡的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
   }
   

2. 還要實現 google.golang.org/grpc/balancer/balancer.go/Picker 介面。這個介面主要實現負載均衡，挑選一個節點供請求使用

   type Picker interface {
     Pick(info PickInfo) (PickResult, error)
   }
   

3. 最後向負載均衡 map 中註冊我們實現的負載均衡器

go-zero 實現負載均衡的主要邏輯

1. 在每次節點更新，gRPC 會呼叫 Build 方法，此時在 Build 裡實現儲存所有的節點資訊。
2. gRPC 在獲取節點處理請求時，會呼叫 Pick 方法以獲取節點。go-zero 在 Pick 方法裡實現了 p2c 演算法，挑選節點，並通過節點的 EWMA值 計算負載情況，返回負載低的節點供 gRPC 使用。
3. 在請求結束的時候 gRPC 會呼叫 PickResult.Done 方法，go-zero 在這個方法裡實現了本次請求耗時等資訊的儲存，並計算出了 EWMA值 儲存了起來，供下次請求時計算負載等情況的使用。

負載均衡程式碼分析

1. 儲存服務的所有節點資訊

我們需要儲存節點處理本次請求的耗時、EWMA 等資訊，go-zero 給每個節點設計瞭如下結構：

go type subConn struct { addr resolver.Address conn balancer.SubConn lag uint64 // 用來儲存 ewma 值 inflight int64 // 用在儲存當前節點正在處理的請求總數 success uint64 // 用來標識一段時間內此連線的健康狀態 requests int64 // 用來儲存請求總數 last int64 // 用來儲存上一次請求耗時, 用於計算 ewma 值 pick int64 // 儲存上一次被選中的時間點 }

1. p2cPicker 實現了 balancer.Picker 介面，conns 儲存了服務的所有節點資訊

   type p2cPicker struct {
     conns []*subConn  // 儲存所有節點的資訊 
     r     *rand.Rand
     stamp *syncx.AtomicDuration
     lock  sync.Mutex
   }
   

2. gRPC 在節點有更新的時候會呼叫 Build 方法，傳入所有節點資訊，我們在這裡把每個節點資訊用 subConn 結構儲存起來。並歸併到一起用 p2cPicker 結構儲存起來

   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(),
     }
   }
   

3. 隨機挑選節點資訊，在這裡分了三種情況:

   1. 只有一個服務節點，此時直接返回供 gRPC 使用即可
   2. 有兩個服務節點，通過 EWMA值 計算負載，並返回負載低的節點返回供 gRPC 使用
   3. 有多個服務節點，此時通過 p2c 演算法選出兩個節點，比較負載情況，返回負載低的節點供 gRPC 使用

   主要實現程式碼如下：

   switch len(p.conns) {
     case 0:// 沒有節點，返回錯誤
       return emptyPickResult, balancer.ErrNoSubConnAvailable
     case 1:// 有一個節點，直接返回這個節點
       chosen = p.choose(p.conns[0], nil)
     case 2:// 有兩個節點，計算負載，返回負載低的節點
       chosen = p.choose(p.conns[0], p.conns[1])
     default:// 有多個節點，p2c 挑選兩個節點，比較這兩個節點的負載，返回負載低的節點
       var node1, node2 *subConn
           // 3次隨機選擇兩個節點
       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]
         // 如果這次選擇的節點達到了健康要求, 就中斷選擇
         if node1.healthy() && node2.healthy() {
           break
         }
       }
       // 比較兩個節點的負載情況，選擇負載低的
       chosen = p.choose(node1, node2)
     }
   

4. load計算節點的負載情況

   上面的 choose 方法會呼叫 load 方法來計算節點負載。

   計算負載的公式是: load = ewma * inflight

   在這裡簡單解釋下： ewma 相當於平均請求耗時，inflight 是當前節點正在處理請求的數量，相乘大致計算出了當前節點的網路負載。

   func (c *subConn) load() int64 {
     // 通過 EWMA 計算節點的負載情況； 加 1 是為了避免為 0 的情況
     lag := int64(math.Sqrt(float64(atomic.LoadUint64(&c.lag) + 1)))
     load := lag * (atomic.LoadInt64(&c.inflight) + 1)
     if load == 0 {
       return penalty
     }
     return load
   }
   

5. 請求結束，更新節點的 EWMA 等資訊

   1. 把節點正在處理請求的總數減 1
   2. 儲存處理請求結束的時間點，用於計算距離上次節點處理請求的差值，並算出 EWMA 中的 β值
   3. 計算本次請求耗時，並計算出 EWMA值 儲存到節點的 lag 屬性裡
   4. 計算節點的健康狀態儲存到節點的 success 屬性中

   func (p *p2cPicker) buildDoneFunc(c *subConn) func(info balancer.DoneInfo) {
     start := int64(timex.Now())
     return func(info balancer.DoneInfo) {
       // 正在處理的請求數減 1
       atomic.AddInt64(&c.inflight, -1)
       now := timex.Now()
       // 儲存本次請求結束時的時間點，並取出上次請求時的時間點
       last := atomic.SwapInt64(&c.last, int64(now))
       td := int64(now) - last
       if td < 0 {
         td = 0
       }
       // 用牛頓冷卻定律中的衰減函式模型計算EWMA演算法中的β值
       w := math.Exp(float64(-td) / float64(decayTime))
       // 儲存本次請求的耗時
       lag := int64(now) - start
       if lag < 0 {
         lag = 0
       }
       olag := atomic.LoadUint64(&c.lag)
       if olag == 0 {
         w = 0
       }
       // 計算 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()
         }
       }
     }
   }
   

專案地址

https://github.com/tal-tech/go-zero

歡迎使用 go-zero 並 star 支援我們！

微信交流群

關注『微服務實踐』公眾號並點選 交流群 獲取社群群二維碼。