6.5 负载均衡

本节将会讨论常见的分布式系统负载均衡手段。

6.5.1 常见的负载均衡思路

如果我们不考虑均衡的话,现在有n个服务节点,我们完成业务流程实际上只需要从这n个中挑出其中的一个。有几种思路:

  1. 按顺序挑: 例如上次选了第一台,那么这次就选第二台,下次第三台,如果已经到了最后一台,那么下一次从第一台开始。这种情况下我们可以把服务节点信息都存储在数组中,每次请求完成下游之后,将一个索引后移即可。在移到尽头时再移回数组开头处。

  2. 随机挑一个: 每次都随机挑,真随机伪随机均可。假设选择第 x 台机器,那么x可描述为rand.Intn()%n

  3. 根据某种权重,对下游节点进行排序,选择权重最大/小的那一个。

当然了,实际场景我们不可能无脑轮询或者无脑随机,如果对下游请求失败了,我们还需要某种机制来进行重试,如果纯粹的随机算法,存在一定的可能性使你在下一次仍然随机到这次的问题节点。

我们来看一个生产环境的负载均衡案例。

6.5.2 基于洗牌算法的负载均衡

考虑到我们需要随机选取每次发送请求的节点,同时在遇到下游返回错误时换其它节点重试。所以我们设计一个大小和节点数组大小一致的索引数组,每次来新的请求,我们对索引数组做洗牌,然后取第一个元素作为选中的服务节点,如果请求失败,那么选择下一个节点重试,以此类推:

  1. var endpoints = []string {
  2. "100.69.62.1:3232",
  3. "100.69.62.32:3232",
  4. "100.69.62.42:3232",
  5. "100.69.62.81:3232",
  6. "100.69.62.11:3232",
  7. "100.69.62.113:3232",
  8. "100.69.62.101:3232",
  9. }
  10. // 重点在这个 shuffle
  11. func shuffle(slice []int) {
  12. for i := 0; i < len(slice); i++ {
  13. a := rand.Intn(len(slice))
  14. b := rand.Intn(len(slice))
  15. slice[a], slice[b] = slice[b], slice[a]
  16. }
  17. }
  18. func request(params map[string]interface{}) error {
  19. var indexes = []int {0,1,2,3,4,5,6}
  20. var err error
  21. shuffle(indexes)
  22. maxRetryTimes := 3
  23. idx := 0
  24. for i := 0; i < maxRetryTimes; i++ {
  25. err = apiRequest(params, indexes[idx])
  26. if err == nil {
  27. break
  28. }
  29. idx++
  30. }
  31. if err != nil {
  32. // logging
  33. return err
  34. }
  35. return nil
  36. }

我们循环一遍slice,两两交换,这个和我们平常打牌时常用的洗牌方法类似。看起来没有什么问题。

6.5.2.1 错误的洗牌导致的负载不均衡

真的没有问题么?实际上还是有问题的。这段简短的程序里有两个隐藏的隐患:

  1. 没有随机种子。在没有随机种子的情况下,rand.Intn()返回的伪随机数序列是固定的。

  2. 洗牌不均匀,会导致整个数组第一个节点有大概率被选中,并且多个节点的负载分布不均衡。

第一点比较简单,应该不用在这里给出证明了。关于第二点,我们可以用概率知识来简单证明一下。假设每次挑选都是真随机,我们假设第一个位置的节点在len(slice)次交换中都不被选中的概率是((6/7)*(6/7))^7 ≈ 0.34。而分布均匀的情况下,我们肯定希望被第一个元素在任意位置上分布的概率均等,所以其被随机选到的概率应该约等于1/7≈0.14

显然,这里给出的洗牌算法对于任意位置的元素来说,有30%的概率不对其进行交换操作。所以所有元素都倾向于留在原来的位置。因为我们每次对shuffle数组输入的都是同一个序列,所以第一个元素有更大的概率会被选中。在负载均衡的场景下,也就意味着节点数组中的第一台机器负载会比其它机器高不少(这里至少是3倍以上)。

6.5.2.2 修正洗牌算法

从数学上得到过证明的还是经典的fisher-yates算法,主要思路为每次随机挑选一个值,放在数组末尾。然后在n-1个元素的数组中再随机挑选一个值,放在数组末尾,以此类推。

  1. func shuffle(indexes []int) {
  2. for i:=len(indexes); i>0; i-- {
  3. lastIdx := i - 1
  4. idx := rand.Int(i)
  5. indexes[lastIdx], indexes[idx] = indexes[idx], indexes[lastIdx]
  6. }
  7. }

在Go的标准库中实际上已经为我们内置了该算法:

  1. func shuffle(n int) []int {
  2. b := rand.Perm(n)
  3. return b
  4. }

在当前的场景下,我们只要用rand.Perm就可以得到我们想要的索引数组了。

6.5.3 ZooKeeper 集群的随机节点挑选问题

本节中的场景是从N个节点中选择一个节点发送请求,初始请求结束之后,后续的请求会重新对数组洗牌,所以每两个请求之间没有什么关联关系。因此我们上面的洗牌算法,理论上不初始化随机库的种子也是不会出什么问题的。

但在一些特殊的场景下,例如使用ZooKeeper时,客户端初始化从多个服务节点中挑选一个节点后,是会向该节点建立长连接的。之后客户端请求都会发往该节点去。直到该节点不可用,才会在节点列表中挑选下一个节点。在这种场景下,我们的初始连接节点选择就要求必须是“真”随机了。否则,所有客户端起动时,都会去连接同一个ZooKeeper的实例,根本无法起到负载均衡的目的。如果在日常开发中,你的业务也是类似的场景,也务必考虑一下是否会发生类似的情况。为rand库设置种子的方法:

  1. rand.Seed(time.Now().UnixNano())

之所以会有上面这些结论,是因为某个使用较广泛的开源ZooKeeper库的早期版本就犯了上述错误,直到2016年早些时候,这个问题才被修正。

6.5.4 负载均衡算法效果验证

我们这里不考虑加权负载均衡的情况,既然名字是负载“均衡”。那么最重要的就是均衡。我们把开篇中的shuffle算法,和之后的fisher yates算法的结果进行简单地对比:

  1. package main
  2. import (
  3. "fmt"
  4. "math/rand"
  5. "time"
  6. )
  7. func init() {
  8. rand.Seed(time.Now().UnixNano())
  9. }
  10. func shuffle1(slice []int) {
  11. for i := 0; i < len(slice); i++ {
  12. a := rand.Intn(len(slice))
  13. b := rand.Intn(len(slice))
  14. slice[a], slice[b] = slice[b], slice[a]
  15. }
  16. }
  17. func shuffle2(indexes []int) {
  18. for i := len(indexes); i > 0; i-- {
  19. lastIdx := i - 1
  20. idx := rand.Intn(i)
  21. indexes[lastIdx], indexes[idx] = indexes[idx], indexes[lastIdx]
  22. }
  23. }
  24. func main() {
  25. var cnt1 = map[int]int{}
  26. for i := 0; i < 1000000; i++ {
  27. var sl = []int{0, 1, 2, 3, 4, 5, 6}
  28. shuffle1(sl)
  29. cnt1[sl[0]]++
  30. }
  31. var cnt2 = map[int]int{}
  32. for i := 0; i < 1000000; i++ {
  33. var sl = []int{0, 1, 2, 3, 4, 5, 6}
  34. shuffle2(sl)
  35. cnt2[sl[0]]++
  36. }
  37. fmt.Println(cnt1, "\n", cnt2)
  38. }

输出:

  1. map[0:224436 1:128780 5:129310 6:129194 2:129643 3:129384 4:129253]
  2. map[6:143275 5:143054 3:143584 2:143031 1:141898 0:142631 4:142527]

分布结果和我们推导出的结论是一致的。