写点什么

自适应负载均衡算法原理与实现

发布于: 3 小时前
自适应负载均衡算法原理与实现

背景

在选择负载均衡算法时,我们希望满足以下要求:


  1. 具备分区和机房调度亲和性

  2. 每次选择的节点尽量是负载最低的

  3. 每次尽可能选择响应最快的节点

  4. 无需人工干预故障节点

  5. 当一个节点有故障时,负载均衡算法可以自动隔离该节点

  6. 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:


  • 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

  1. 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。

  2. 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。

  3. 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ββ越小,EWMA值 就越接近本次耗时,进而迅速监测到网络毛刺;

  4. 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:



其中 Δt 为两次请求的间隔,ek 为常数

gRPC 中实现自定义负载均衡器

  1. 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    }
复制代码


  1. 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)    }
复制代码


  1. 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

  1. 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。

  2. gRPC 在获取节点处理请求时,会调用 Pick 方法以获取节点。go-zeroPick 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。

  3. 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

  1. 保存服务的所有节点信息

  2. 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    }
复制代码


  1. 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    }
复制代码


  1. 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(),      }    }
复制代码


  1. 随机挑选节点信息,在这里分了三种情况:

  2. 只有一个服务节点,此时直接返回供 gRPC 使用即可

  3. 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

  4. 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

  5. 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)      }
复制代码


  1. load计算节点的负载情况

  2. 上面的 choose 方法会调用 load 方法来计算节点负载。

  3. 计算负载的公式是: load = ewma * inflight

  4. 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    }
复制代码


  1. 请求结束,更新节点的 EWMA 等信息

  2. 把节点正在处理请求的总数减 1

  3. 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

  4. 计算本次请求耗时,并计算出 EWMA值 保存到节点的 lag 属性里

  5. 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() } } } }
复制代码

项目地址

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


欢迎使用 go-zerostar 支持我们!

发布于: 3 小时前阅读数: 13
用户头像

保持简单 2017.10.24 加入

go-zero作者

评论

发布
暂无评论
自适应负载均衡算法原理与实现