07篇 Nacos客户端是如何实现实例获取的负载均衡呢？

学习不用那么功利，二师兄带你从更高维度轻松阅读源码～

前面我们讲了Nacos客户端如何获取实例列表，如何进行缓存处理，以及如何订阅实例列表的变更。在获取到一个实例列表之后，你是否想过一个问题：如果实例列表有100个实例，Nacos客户端是如何从中选择一个呢？

这篇文章，就带大家从源码层面分析一下，Nacos客户端采用了如何的算法来从实例列表中获取一个实例进行请求的。也可以称作是Nacos客户端的负载均衡算法。

 

单个实例获取
NamingService不仅提供了获取实例列表的方法，也提供了获取单个实例的方法，比如：

Instance selectOneHealthyInstance(String serviceName, String groupName, List<String> clusters, boolean subscribe)
        throws NacosException;

该方法会根据预定义的负载算法，从实例列表中获得一个健康的实例。其他重载的方法功能类似，最终都会调用该方法，我们就以此方法为例来分析一下具体的算法。

具体实现代码：

@Override
public Instance selectOneHealthyInstance(String serviceName, String groupName, List<String> clusters,
        boolean subscribe) throws NacosException {
    String clusterString = StringUtils.join(clusters, ",");
    if (subscribe) {
        // 获取ServiceInfo
        ServiceInfo serviceInfo = serviceInfoHolder.getServiceInfo(serviceName, groupName, clusterString);
        if (null == serviceInfo) {
            serviceInfo = clientProxy.subscribe(serviceName, groupName, clusterString);
        }
        // 通过负载均衡算法获得其中一个实例
        return Balancer.RandomByWeight.selectHost(serviceInfo);
    } else {
        // 获取ServiceInfo
        ServiceInfo serviceInfo = clientProxy
                .queryInstancesOfService(serviceName, groupName, clusterString, 0, false);
        // 通过负载均衡算法获得其中一个实例
        return Balancer.RandomByWeight.selectHost(serviceInfo);
    }
}

selectOneHealthyInstance方法逻辑很简单，调用我们之前讲到的方法获取ServiceInfo对象，然后作为参数传递给负载均衡算法，由负载均衡算法计算出最终使用哪个实例（Instance）。

 

算法参数封装
先跟踪一下代码实现，非核心业务逻辑，只简单提一下。

上面的代码可以看出调用的是Balancer内部类RandomByWeight的selectHost方法：

public static Instance selectHost(ServiceInfo dom) {
    // ServiceInfo中获去实例列表
    List<Instance> hosts = selectAll(dom);
    // ...
    return getHostByRandomWeight(hosts);
}

selectHost方法核心逻辑是从ServiceInfo中获取实例列表，然后调用getHostByRandomWeight方法：

protected static Instance getHostByRandomWeight(List<Instance> hosts) {
    // ... 判断逻辑
    // 重新组织数据格式
    List<Pair<Instance>> hostsWithWeight = new ArrayList<Pair<Instance>>();
    for (Instance host : hosts) {
        if (host.isHealthy()) {
            hostsWithWeight.add(new Pair<Instance>(host, host.getWeight()));
        }
    }
    // 通过Chooser来实现随机权重负载均衡算法
    Chooser<String, Instance> vipChooser = new Chooser<String, Instance>("www.taobao.com");
    vipChooser.refresh(hostsWithWeight);
    return vipChooser.randomWithWeight();
}

getHostByRandomWeight前半部分是将Instance列表及其中的权重数据进行转换，封装成一个Pair，也就是建立成对的关系。在此过程中只使用了健康的节点。

真正的算法实现则是通过Chooser类来实现的，看名字基本上知道实现的策略是基于权重的随机算法。

 

负载均衡算法实现
所有的负载均衡算法实现均位于Chooser类中，Chooser类的提供了两个方法refresh和randomWithWeight。

refresh方法用于筛选数据、检查数据合法性和建立算法所需数据模型。

randomWithWeight方法基于前面的数据来进行随机算法处理。

先看refresh方法：

public void refresh(List<Pair<T>> itemsWithWeight) {
    Ref<T> newRef = new Ref<T>(itemsWithWeight);
    // 准备数据，检查数据
    newRef.refresh();
    // 上面数据刷新之后，这里重新初始化一个GenericPoller
    newRef.poller = this.ref.poller.refresh(newRef.items);
    this.ref = newRef;
}

基本步骤：

 ● 创建Ref类，该类为Chooser的内部类；
 ● 调用Ref的refresh方法，用于准备数据、检查数据等；
 ● 数据筛选完成，调用poller#refresh方法，本质上就是创建一个GenericPoller对象；
 ● 成员变量重新赋值；
这里重点看Ref#refresh方法：

/**
 * 获取参与计算的实例列表、计算递增数组数总和并进行检查
 */
public void refresh() {
    // 实例权重总和
    Double originWeightSum = (double) 0;
    
    // 所有健康权重求和
    for (Pair<T> item : itemsWithWeight) {
        
        double weight = item.weight();
        //ignore item which weight is zero.see test_randomWithWeight_weight0 in ChooserTest
        // 权重小于等于0则不参与计算
        if (weight <= 0) {
            continue;
        }
        // 有效实例放入列表
        items.add(item.item());
        // 如果值无限大
        if (Double.isInfinite(weight)) {
            weight = 10000.0D;
        }
        // 如果值为非数字
        if (Double.isNaN(weight)) {
            weight = 1.0D;
        }
        // 权重值累加
        originWeightSum += weight;
    }
    
    double[] exactWeights = new double[items.size()];
    int index = 0;
    // 计算每个节点权重占比，放入数组
    for (Pair<T> item : itemsWithWeight) {
        double singleWeight = item.weight();
        //ignore item which weight is zero.see test_randomWithWeight_weight0 in ChooserTest
        if (singleWeight <= 0) {
            continue;
        }
        // 计算每个节点权重占比
        exactWeights[index++] = singleWeight / originWeightSum;
    }
    
    // 初始化递增数组
    weights = new double[items.size()];
    double randomRange = 0D;
    for (int i = 0; i < index; i++) {
        // 递增数组第i项值为items前i个值总和
        weights[i] = randomRange + exactWeights[i];
        randomRange += exactWeights[i];
    }
    
    double doublePrecisionDelta = 0.0001;
    // index遍历完则返回；
    // 或weights最后一位值与1相比，误差小于0.0001，则返回
    if (index == 0 || (Math.abs(weights[index - 1] - 1) < doublePrecisionDelta)) {
        return;
    }
    throw new IllegalStateException(
            "Cumulative Weight calculate wrong , the sum of probabilities does not equals 1.");
}

可结合上面代码中的注释来理解，核心步骤包括以下：

 ● 遍历itemsWithWeight，计算权重总和数据；非健康节点会被剔除掉；
 ● 计算每个节点的权重值在总权重值中的占比，并存储在exactWeights数组当中；
 ● 将exactWeights数组当中值进行数据重构，形成一个递增数组weights（每个值都是exactWeights坐标值的总和），后面用于随机算法；
 ● 判断是否循环完成或误差在指定范围内（0.0001），符合则返回。
所有数据准备完成，调用随机算法方法randomWithWeight：

public T randomWithWeight() {
    Ref<T> ref = this.ref;
    // 生成0-1之间的随机数
    double random = ThreadLocalRandom.current().nextDouble(0, 1);
    // 采用二分法查找数组中指定值，如果不存在则返回（-(插入点) - 1），插入点即随机数将要插入数组的位置，即第一个大于此键的元素索引。
    int index = Arrays.binarySearch(ref.weights, random);
    // 如果没有查询到（返回-1或"-插入点"）
    if (index < 0) {
        index = -index - 1;
    } else {
        // 命中直接返回结果
        return ref.items.get(index);
    }
    
    // 判断坐标未越界
    if (index < ref.weights.length) {
        // 随机数小于指定坐标的数值，则返回坐标值
        if (random < ref.weights[index]) {
            return ref.items.get(index);
        }
    }
    
    // 此种情况不应该发生，但如果发生则返回最后一个位置的值
    /* This should never happen, but it ensures we will return a correct
     * object in case there is some floating point inequality problem
     * wrt the cumulative probabilities. */
    return ref.items.get(ref.items.size() - 1);
}

该方法的基本操作如下：

 ● 生成一个0-1的随机数；
 ● 使用Arrays#binarySearch在数组中进行查找，也就是二分查找法。该方法会返回包含key的值，如果没有则会返回”-1“或”-插入点“，插入点即随机数将要插入数组的位置，即第一个大于此键的元素索引。
 ● 如果命中则直接返回；如果未命中则对返回值取反减1，获得index值；
 ● 判断index值，符合条件，则返回结果；
至此，关于Nacos客户端实例获取的负载均衡算法代码层面追踪完毕。

 

算法实例演示
下面用一个实例来演示一下，该算法中涉及的数据变化。为了数据美观，这里采用4组数据，每组数据进来确保能被整除；

节点及权重数据（前面节点，后面权重）如下：

1 100
2 25
3 75
4 200

第一步，计算权重综合：

originWeightSum = 100 + 25 + 75 + 200 = 400

第二步，计算每个节点权重比：

exactWeights = {0.25, 0.0625, 0.1875, 0.5}

第三步，计算递增数组weights：

weights = {0.25, 0.3125, 0.5, 1}

第四步，生成0-1的随机数：

random = 0.3049980013493817

第五步，调用Arrays#binarySearch从weights中搜索random：

index = -2

关于Arrays#binarySearch(double[] a, double key)方法这里再解释一下，如果传入的key恰好在数组中，比如1，则返回的index为3；如果key为上面的random值，则先找到插入点，取反，减一。

插入点即第一个大于此key的元素索引，那么上面第一个大于0.3049980013493817的值为0.3125，那么插入点值为1；

于是按照公式计算Arrays#binarySearch返回的index为：

index = - ( 1 ) - 1 = -2

第六步，也就是没有恰好命中的情况：

index = -( -2 ) - 1 = 1

然后判断index是否越界，很明显 1 < 4，未越界，则返回坐标为1的值。

 

算法的核心
上面演示了算法，但这个算法真的能够做到按权重负载吗？我们来分析一下这个问题。

这个问题的重点不在random值，这个值基本上是随机的，那么怎么保证权重大的节点获得的机会更多呢？

这里先把递增数组weights用另外一个形式来表示：

上面的算法可以看出，weights与exactWeights为size相同的数组，对于同一坐标（index），weights的值是exactWeights包含当前坐标及前面所有坐标值的和。

如果把weights理解成一条线，对应节点的值是线上的一个个点，体现在图中便是（图2到图5）有色（灰色+橘黄色）部分。

而Arrays#binarySearch算法的插入点获取的是第一个大于key（也就是random）的坐标，也就是说每个节点享有的随机范围不同，它们的范围由当前点和前一个点的区间决定，而这个区间正好是权重比值。

权重比值大的节点，占有的区间就比较多，比如节点1占了1/4，节点4占了1/2。这样，如果随机数是均匀分布的，那么占有范围比较大的节点更容易获得青睐。也就达到了按照权重获得被调用的机会了。

 

小结
本篇文章追踪Nacos客户端源码，分析了从实例列表中获得其中一个实例的算法，也就是随机权重负载均衡算法。整体业务逻辑比较简单，从ServiceInfo中获得实例列表，一路筛选，选中目标实例，然后根据它们的权重进行二次处理，数据结构封装，最后基于Arrays#binarySearch提供的二分查找法来获得对应的实例。

而我们需要注意和学习的重点便是权重获取算法的思想及具体实现，最终达到能够在实践中进行运用。

 

 

 

文章转载自公众号：程序员新视界