自适应负载均衡算法原理与实现

Golang
395
0
0
2022-06-07
在 Go 中生成随机的安全密码
上一篇
Go+vue3开发的一个im应用
下一篇

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
  • 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
  1. 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，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:
  • 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

  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。
  • 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

  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
 }
  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)
 }
  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-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。
  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
 }
  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
 }
  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(),
   }
 }
  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)
}
  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
 }
  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()
    }
  }
}
}

项目地址

github.com/tal-tech/go-zero

欢迎使用 go-zero 并 star 支持我们！

微信交流群

关注『微服务实践』公众号并点击 交流群 获取社区群二维码。

在 Go 中生成随机的安全密码
上一篇
Go+vue3开发的一个im应用
下一篇