自适应负载均衡算法原理和实现

字号+ 编辑: IT男在阿里 修订: 呆头鹅甲 来源: 网络转载 2021-07-24 23:08 我要说两句(0)

用 p2c+EWMA 算法来实现自适应负载均衡,附go代码案例。

背景

在选择负载均衡算法时,我们希望满足以下要求:

具备分区和机房调度亲和性每次选择的节点尽量是负载最低的每次尽可能选择响应最快的节点无需人工干预故障节点当一个节点有故障时,负载均衡算法可以自动隔离该节点当故障节点恢复时,能够自动恢复对该节点的流量分发

基于这些考虑,本案例选择 p2c+EWMA 算法来实现。

算法的核心思想

这里就说说p2c和EWMA

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:

EWMA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

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。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。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β。β越小,EWMA值 就越接近本次耗时,进而迅速监测到网络毛刺;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:

牛顿冷却定律中的衰减函数

其中 Δt 为两次请求的间隔,e,k 为常数

gRPC 中实现自定义负载均衡器

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
}

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)
}

最后向负载均衡 map 中注册我们实现的负载均衡器

实现负载均衡的主要逻辑

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

保存服务的所有节点信息

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
}

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
}

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(),
  }
}

随机挑选节点信息,在这里分了三种情况:

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)
  }


只有一个服务节点,此时直接返回供 gRPC 使用即可有两个服务节点,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

load计算节点的负载情况

上面的 choose 方法会调用 load 方法来计算节点负载。

计算负载的公式是: load = ewma * inflight

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
}

请求结束,更新节点的 EWMA 等信息

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()
      }
    }
  }
}

把节点正在处理请求的总数减1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值计算本次请求耗时,并计算出 EWMA值 保存到节点的 lag 属性里计算节点的健康状态保存到节点的 success 属性中

项目Git地址  https://github.com/tal-tech/go-zero

阅完此文,您的感想如何?
  • 鼓掌

    0

  • 鄙视

    0

  • 开心

    0

  • 愤怒

    0

  • 可怜

    0

1.如文章侵犯了您的版权,请发邮件通知本站,该文章将在24小时内删除;
2.本站标注原创的文章,转发时烦请注明来源;
3.交流群: PHP+JS聊天群

相关课文
  • go在arm上读取串口数据

  • Go语言截取指定字符串中间字符串的方法

  • go调用c使用比官方Cgo性能更加突出的c2goasm项目

  • go语言另外两个知名框架的比较

我要说说
网上宾友点评
沙发已空
自适应负载均衡算法原理和实现