Dubbo源码(八)(深度剖析dubbo源码)

  本篇文章为你整理了Dubbo源码(八)(深度剖析dubbo源码)的详细内容,包含有dubbo源码解析20pdf 深度剖析dubbo源码 dubbo spi源码 dubbo源码面试题 Dubbo源码(八),希望能帮助你了解 Dubbo源码(八)。

  本文基于Dubbo2.6.x版本,中文注释版源码已上传github:xiaoguyu/dubbo

  负载均衡,英文名称为Load Balance,其含义就是指将负载(工作任务)进行平衡、分摊到多个操作单元上进行运行。

  例如:在Dubbo中,同一个服务有多个服务提供者,每个服务提供者所在的机器性能不一致。如果流量均匀分摊,则会导致有些服务提供者负载过高,有些则轻轻松松,导致资源浪费。负载均衡就解决这个问题。

  LoadBalance就是负载均衡的接口,咱们先看看类图

  Dubbo提供了4中内置的负载均衡实现:

  RandomLoadBalance:基于权重随机算法

  LeastActiveLoadBalance:基于最少活跃调用数算法

  ConsistentHashLoadBalance:基于 hash 一致性算法

  RoundRobinLoadBalance:基于加权轮询算法

  那么负载均衡是在哪里被用的的呢?

  AbstractClusterInvoker的select和reselect方法。不熟悉这两个方法的,可以去看《Dubbo集群》

  AbstractLoadBalance

  抽象类封装了一些公共的逻辑,在看具体实现类之前,我们先看看抽象类AbstractLoadBalance中的方法

  

public T Invoker T select(List Invoker T invokers, URL url, Invocation invocation) {

 

   if (invokers == null invokers.isEmpty())

   return null;

   // 如果 invokers 列表中仅有一个 Invoker,直接返回即可,无需进行负载均衡

   if (invokers.size() == 1)

   return invokers.get(0);

   // 调用 doSelect 方法进行负载均衡,该方法为抽象方法,由子类实现

   return doSelect(invokers, url, invocation);

  

 

  LoadBalance接口只有一个方法,那就是 select 方法,这是负载均衡的入口。根据 invoker 数量判断是否需要进行负载均衡。这里的 doSelect 是个抽象方法,由子类实现。

  

protected int getWeight(Invoker ? invoker, Invocation invocation) {

 

   int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);

   if (weight 0) {

   // 获取服务提供者启动时间戳

   long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY, 0L);

   if (timestamp 0L) {

   // 计算服务提供者运行时长

   int uptime = (int) (System.currentTimeMillis() - timestamp);

   // 获取服务预热时间,默认为10分钟

   int warmup = invoker.getUrl().getParameter(Constants.WARMUP_KEY, Constants.DEFAULT_WARMUP);

   // 如果服务运行时间小于预热时间,则重新计算服务权重,即降权

   if (uptime 0 uptime warmup) {

   // 重新计算服务权重

   weight = calculateWarmupWeight(uptime, warmup, weight);

   return weight;

  static int calculateWarmupWeight(int uptime, int warmup, int weight) {

   // 计算权重,下面代码逻辑上形似于 (uptime / warmup) * weight。

   // 随着服务运行时间 uptime 增大,权重计算值 ww 会慢慢接近配置值 weight

   int ww = (int) ((float) uptime / ((float) warmup / (float) weight));

   return ww 1 ? 1 : (ww weight ? weight : ww);

  

 

  getWeight 是获取权重的方法,默认权重为100,这里有个服务预热的操作,当服务的启动时间小于预热时间,权重会减少,这个权重由 calculateWarmupWeight 方法计算。

  预热的目的是让服务启动后“低功率”运行一段时间,使其效率慢慢提升至最佳状态。

  以上就是抽象类的全部方法。下面我们看实现类的。

  RandomLoadBalance

  RandomLoadBalance 是加权随机算法的具体实现,是Dubbo默认的负载均衡策略。

  假设我们有一组服务器 servers = [A, B, C],他们对应的权重为 weights = [5, 3, 2],权重总和为10。

  我们取一个大于等于0,小于10的随机数,计算随机数落在哪个区间。例如4在A区间,7在B区间。

  权重越大,落在该区间的概率就越大。这就是加权随机算法。

  下面看具体代码实现

  

public class RandomLoadBalance extends AbstractLoadBalance {

 

   public static final String NAME = "random";

   private final Random random = new Random();

   @Override

   protected T Invoker T doSelect(List Invoker T invokers, URL url, Invocation invocation) {

   int length = invokers.size(); // Number of invokers

   int totalWeight = 0; // The sum of weights

   boolean sameWeight = true; // Every invoker has the same weight?

   // 下面这个循环有两个作用,第一是计算总权重 totalWeight,

   // 第二是检测每个服务提供者的权重是否相同

   for (int i = 0; i length; i++) {

   int weight = getWeight(invokers.get(i), invocation);

   totalWeight += weight; // Sum

   // 检测当前服务提供者的权重与上一个服务提供者的权重是否相同,

   // 不相同的话,则将 sameWeight 置为 false。

   if (sameWeight i 0

   weight != getWeight(invokers.get(i - 1), invocation)) {

   sameWeight = false;

   if (totalWeight 0 !sameWeight) {

   // 随机获取一个 [0, totalWeight) 区间内的数字

   int offset = random.nextInt(totalWeight);

   // Return a invoker based on the random value.

   // 循环让 offset 数减去服务提供者权重值,当 offset 小于0时,返回相应的 Invoker。

   // 举例说明一下,我们有 servers = [A, B, C],weights = [5, 3, 2],offset = 7。

   // 第一次循环,offset - 5 = 2 0,即 offset 5,

   // 表明其不会落在服务器 A 对应的区间上。

   // 第二次循环,offset - 3 = -1 0,即 5 offset 8,

   // 表明其会落在服务器 B 对应的区间上

   for (int i = 0; i length; i++) {

   // 让随机值 offset 减去权重值

   offset -= getWeight(invokers.get(i), invocation);

   if (offset 0) {

   // 返回相应的 Invoker

   return invokers.get(i);

   // 如果所有服务提供者权重值相同,此时直接随机返回一个即可

   return invokers.get(random.nextInt(length));

  

 

  如果权重一致,就随机选择一个。如果权重不同,则根据权重分配。

  LeastActiveLoadBalance

  最小活跃数负载均衡。这个活跃数表示执行中的请求数量。每个服务提供者对应一个活跃数 active。初始情况下,所有服务提供者活跃数均为0。每收到一个请求,活跃数加1,完成请求后则将活跃数减1。

  在流量均匀的情况下,活跃数越低的服务提供者,其性能越好。

  

protected T Invoker T doSelect(List Invoker T invokers, URL url, Invocation invocation) {

 

   int length = invokers.size(); // Number of invokers

   // 最小的活跃数

   int leastActive = -1; // The least active value of all invokers

   // 具有相同“最小活跃数”的服务者提供者(以下用 Invoker 代称)数量

   int leastCount = 0; // The number of invokers having the same least active value (leastActive)

   // leastIndexs 用于记录具有相同“最小活跃数”的 Invoker 在 invokers 列表中的下标信息

   int[] leastIndexs = new int[length]; // The index of invokers having the same least active value (leastActive)

   int totalWeight = 0; // The sum of with warmup weights

   // 第一个最小活跃数的 Invoker 权重值,用于与其他具有相同最小活跃数的 Invoker 的权重进行对比,

   // 以检测是否“所有具有相同最小活跃数的 Invoker 的权重”均相等

   int firstWeight = 0; // Initial value, used for comparision

   boolean sameWeight = true; // Every invoker has the same weight value?

   // 遍历 invokers 列表

   for (int i = 0; i length; i++) {

   Invoker T invoker = invokers.get(i);

   // 获取 Invoker 对应的活跃数

   int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive(); // Active number

   // 获取权重

   int afterWarmup = getWeight(invoker, invocation); // Weight

   // 发现更小的活跃数,重新开始

   if (leastActive == -1 active leastActive) { // Restart, when find a invoker having smaller least active value.

   // 使用当前活跃数 active 更新最小活跃数 leastActive

   leastActive = active; // Record the current least active value

   // 更新 leastCount 为 1

   leastCount = 1; // Reset leastCount, count again based on current leastCount

   // 记录当前下标值到 leastIndexs 中

   leastIndexs[0] = i; // Reset

   totalWeight = afterWarmup; // Reset

   firstWeight = afterWarmup; // Record the weight the first invoker

   sameWeight = true; // Reset, every invoker has the same weight value?

   // 当前 Invoker 的活跃数 active 与最小活跃数 leastActive 相同

   } else if (active == leastActive) { // If current invokers active value equals with leaseActive, then accumulating.

   // 在 leastIndexs 中记录下当前 Invoker 在 invokers 集合中的下标

   leastIndexs[leastCount++] = i; // Record index number of this invoker

   // 累加权重

   totalWeight += afterWarmup; // Add this invokers weight to totalWeight.

   // If every invoker has the same weight?

   // 检测当前 Invoker 的权重与 firstWeight 是否相等,

   // 不相等则将 sameWeight 置为 false

   if (sameWeight i 0

   afterWarmup != firstWeight) {

   sameWeight = false;

   // assert(leastCount 0)

   // 当只有一个 Invoker 具有最小活跃数,此时直接返回该 Invoker 即可

   if (leastCount == 1) {

   // If we got exactly one invoker having the least active value, return this invoker directly.

   return invokers.get(leastIndexs[0]);

   // 有多个 Invoker 具有相同的最小活跃数,但它们之间的权重不同

   if (!sameWeight totalWeight 0) {

   // If (not every invoker has the same weight at least one invokers weight 0), select randomly based on totalWeight.

   // 随机生成一个 [0, totalWeight) 之间的数字

   int offsetWeight = random.nextInt(totalWeight) + 1;

   // Return a invoker based on the random value.

   // 循环让随机数减去具有最小活跃数的 Invoker 的权重值,

   // 当 offset 小于等于0时,返回相应的 Invoker

   for (int i = 0; i leastCount; i++) {

   int leastIndex = leastIndexs[i];

   // 获取权重值,并让随机数减去权重值

   offsetWeight -= getWeight(invokers.get(leastIndex), invocation);

   if (offsetWeight = 0)

   return invokers.get(leastIndex);

   // If all invokers have the same weight value or totalWeight=0, return evenly.

   // 如果权重相同或权重为0时,随机返回一个 Invoker

   return invokers.get(leastIndexs[random.nextInt(leastCount)]);

  

 

  代码比较多,不过都有注释,耐心看即可。这里大体做了几件事:

  遍历 invokers 集合,找出活跃数最小的 invoker

  如果只有一个 invoker 有最小活跃数,则返回

  如果有多个 invoker 有相同的最小活跃数,则这些 invoker 进行加权随机算法处理(也就是对这几个最小活跃数 invoker 进行 RandomLoadBalance 的逻辑)

  这里有个点想扩展说下,就是获取活跃数的方法

  RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive();

  RpcStatus记录着当前调用次数、总数、失败数、调用间隔等状态信息。

  这些信息,在服务消费者端由ActiveLimitFilter记录,在服务提供者端由ExecuteLimitFilter记录。也就是,想要拿到正确的活跃数,需要ActiveLimitFilter生效才行。

  

@Activate(group = Constants.CONSUMER, value = Constants.ACTIVES_KEY)

 

  public class ActiveLimitFilter implements Filter

  

 

  ActiveLimitFilter生效需要满足两个条件,消费者端以及URL中携带actives参数。actives可在消费者端或生产者端配置,含义为:每服务消费者每服务每方法最大并发调用数

  

 dubbo:service interface="com.alibaba.dubbo.demo.DemoService" ref="demoService" registry="remoteRegistry" actives="5" / 

 

   dubbo:reference id="demoService" interface="com.alibaba.dubbo.demo.DemoService" loadbalance="leastactive" actives="5" /

  

 

  当然,也能给消费者接口指定过滤器的方法来启用ActiveLimitFilter

  

 dubbo:reference id="demoService" interface="com.alibaba.dubbo.demo.DemoService" filter="activelimit" / 

 

  

 

  RoundRobinLoadBalance

  RoundRobinLoadBalance是加权轮询负载均衡的实现。加权轮询的原理步骤如下:

  假设服务 [A, B, C] 的权重为 [5, 1, 1] ,即总权重为 7, 当前权重currentWeight初始为[0, 0, 0]

  
当前权重加上每个服务各自的权重,跳转步骤2

  此时currentWeight为 [0+5, 0+1, 0+1] = [5, 1, 1]

  
返回currentWeight中最高的服务,跳转步骤3

  currentWeight为 [5, 1, 1] ,返回服务A

  
将第2步中的那个最高权重在currentWeight对应的值减去总权重,跳转步骤4

  currentWeight为 [5 - 7, 1, 1] = [-2, 1, 1]

  
下面的GIF图为了好表示柱状图,所以我将currentWeight初始权重变为10

  经过一定循环次数,最终currentWeight又会回归初始值。而这个循环次数计算如下:

  次数 = 服务A的权重 + 服务B的权重 + …

  每个服务的调用次数也等于它的权重

  看完原理,我们继续看源码

  

protected T Invoker T doSelect(List Invoker T invokers, URL url, Invocation invocation) {

 

   // key = 全限定类名 + "." + 方法名,比如 com.xxx.DemoService.sayHello

   String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();

   // 获取 url 到 WeightedRoundRobin 映射表,如果为空,则创建一个新的

   ConcurrentMap String, WeightedRoundRobin map = methodWeightMap.get(key);

   if (map == null) {

   methodWeightMap.putIfAbsent(key, new ConcurrentHashMap String, WeightedRoundRobin

   map = methodWeightMap.get(key);

   // 权重总和

   int totalWeight = 0;

   // 最大权重

   long maxCurrent = Long.MIN_VALUE;

   long now = System.currentTimeMillis();

   Invoker T selectedInvoker = null;

   WeightedRoundRobin selectedWRR = null;

   // 下面这个循环主要做了这样几件事情:

   // 1. 遍历 Invoker 列表,检测当前 Invoker 是否有

   // 相应的 WeightedRoundRobin,没有则创建

   // 2. 检测 Invoker 权重是否发生了变化,若变化了,

   // 则更新 WeightedRoundRobin 的 weight 字段

   // 3. 让 current 字段加上自身权重,等价于 current += weight

   // 4. 设置 lastUpdate 字段,即 lastUpdate = now

   // 5. 寻找具有最大 current 的 Invoker,以及 Invoker 对应的 WeightedRoundRobin,

   // 暂存起来,留作后用

   // 6. 计算权重总和

   for (Invoker T invoker : invokers) {

   String identifyString = invoker.getUrl().toIdentityString();

   WeightedRoundRobin weightedRoundRobin = map.get(identifyString);

   int weight = getWeight(invoker, invocation);

   if (weight 0) {

   weight = 0;

   // 检测当前 Invoker 是否有对应的 WeightedRoundRobin,没有则创建

   if (weightedRoundRobin == null) {

   weightedRoundRobin = new WeightedRoundRobin();

   // 设置 Invoker 权重

   weightedRoundRobin.setWeight(weight);

   // 存储 url 唯一标识 identifyString 到 weightedRoundRobin 的映射关系

   map.putIfAbsent(identifyString, weightedRoundRobin);

   weightedRoundRobin = map.get(identifyString);

   // Invoker 权重不等于 WeightedRoundRobin 中保存的权重,说明权重变化了,此时进行更新

   if (weight != weightedRoundRobin.getWeight()) {

   //weight changed

   weightedRoundRobin.setWeight(weight);

   // 让 current 加上自身权重,等价于 current += weight

   long cur = weightedRoundRobin.increaseCurrent();

   // 设置 lastUpdate,表示近期更新过

   weightedRoundRobin.setLastUpdate(now);

   if (cur maxCurrent) {

   maxCurrent = cur;

   // 将具有最大 current 权重的 Invoker 赋值给 selectedInvoker

   selectedInvoker = invoker;

   // 将 Invoker 对应的 weightedRoundRobin 赋值给 selectedWRR,留作后用

   selectedWRR = weightedRoundRobin;

   // 计算权重总和

   totalWeight += weight;

   // 对 identifyString, WeightedRoundRobin 进行检查,过滤掉长时间未被更新的节点。

   // 该节点可能挂了,invokers 中不包含该节点,所以该节点的 lastUpdate 长时间无法被更新。

   // 若未更新时长超过阈值后,就会被移除掉,默认阈值为60秒。

   if (!updateLock.get() invokers.size() != map.size()) {

   if (updateLock.compareAndSet(false, true)) {

   try {

   // copy - modify - update reference

   ConcurrentMap String, WeightedRoundRobin newMap = new ConcurrentHashMap String, WeightedRoundRobin

   // 拷贝

   newMap.putAll(map);

   // 遍历修改,即移除过期记录

   Iterator Entry String, WeightedRoundRobin it = newMap.entrySet().iterator();

   while (it.hasNext()) {

   Entry String, WeightedRoundRobin item = it.next();

   if (now - item.getValue().getLastUpdate() RECYCLE_PERIOD) {

   it.remove();

   // 更新引用

   methodWeightMap.put(key, newMap);

   } finally {

   updateLock.set(false);

   if (selectedInvoker != null) {

   // 让 current 减去权重总和,等价于 current -= totalWeight

   selectedWRR.sel(totalWeight);

   // 返回具有最大 current 的 Invoker

   return selectedInvoker;

   // should not happen here

   return invokers.get(0);

  

 

  注释写的很详细了,和原理步骤差不多,源码中多个对长时间未更新 invoker 的处理。

  ConsistentHashLoadBalance

  一致性Hash算法。

  其原理简单讲,就是假定有一个圆环,每个服务根据其 hash 值,在圆环上有个位置(如图的cache-1、cache-2等)。当有请求过来的,同样根据请求的 hash 值确定请求的位置,并根据请求的位置去获取最近的下一个服务的位置。如下图:

  当请求落在 cache-2 和 cache-3 之间时,下一个最近的是 cache-3,如果 cache-3 服务不可用,那么最近的下个服务就是 cache-4

  这时,又引入了一个资源倾斜的问题,那就是大量请求集中在同一个服务中。由于服务在圆环上分布不均,导致大部分请求都落在cache-2中,如下图:

  那么该如何处理资源倾斜的问题?引入虚拟节点,就是一个服务有多个多个位置,这样就能使请求更均匀,如下图:

  以上就是一致性hash算法的原理。下面讲讲Dubbo的源码

  

public class ConsistentHashLoadBalance extends AbstractLoadBalance {

 

   private final ConcurrentMap String, ConsistentHashSelector ? selectors = new ConcurrentHashMap String, ConsistentHashSelector ? ();

   @Override

   protected T Invoker T doSelect(List Invoker T invokers, URL url, Invocation invocation) {

   String methodName = RpcUtils.getMethodName(invocation);

   String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName;

   // 获取 invokers 原始的 hashcode

   int identityHashCode = System.identityHashCode(invokers);

   ConsistentHashSelector T selector = (ConsistentHashSelector T ) selectors.get(key);

   // 如果 invokers 是一个新的 List 对象,意味着服务提供者数量发生了变化,可能新增也可能减少了。

   // 此时 selector.identityHashCode != identityHashCode 条件成立

   if (selector == null selector.identityHashCode != identityHashCode) {

   // 创建新的 ConsistentHashSelector

   selectors.put(key, new ConsistentHashSelector T (invokers, methodName, identityHashCode));

   selector = (ConsistentHashSelector T ) selectors.get(key);

   // 调用 ConsistentHashSelector 的 select 方法选择 Invoker

   return selector.select(invocation);

   private static final class ConsistentHashSelector T {...}

  

 

  doSelect 方法先从缓存获取 selector ,如果缓存没有,则创建并放入缓存。然后调用 selector.select 方法获取 invoker 。所以一致性 hash 的实现,在ConsistentHashSelector中。我们先看其构造方法

  

ConsistentHashSelector(List Invoker T invokers, String methodName, int identityHashCode) {

 

   // 可以认为virtualInvokers组成了hash环

   this.virtualInvokers = new TreeMap Long, Invoker T ();

   this.identityHashCode = identityHashCode;

   URL url = invokers.get(0).getUrl();

   // 获取虚拟节点数,默认为160

   this.replicaNumber = url.getMethodParameter(methodName, "hash.nodes", 160);

   // 获取参与 hash 计算的参数下标值,默认对第一个参数进行 hash 运算

   String[] index = Constants.COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, "hash.arguments", "0"));

   argumentIndex = new int[index.length];

   for (int i = 0; i index.length; i++) {

   argumentIndex[i] = Integer.parseInt(index[i]);

   for (Invoker T invoker : invokers) {

   String address = invoker.getUrl().getAddress();

   for (int i = 0; i replicaNumber / 4; i++) {

   // 对 address + i 进行 md5 运算,得到一个长度为16的字节数组

   byte[] digest = md5(address + i);

   // 对 digest 部分字节进行4次 hash 运算,得到四个不同的 long 型正整数

   for (int h = 0; h h++) {

   // h = 0 时,取 digest 中下标为 0 ~ 3 的4个字节进行位运算

   // h = 1 时,取 digest 中下标为 4 ~ 7 的4个字节进行位运算

   // h = 2, h = 3 时过程同上

   long m = hash(digest, h);

   // 将 hash 到 invoker 的映射关系存储到 virtualInvokers 中,

   // virtualInvokers 需要提供高效的查询操作,因此选用 TreeMap 作为存储结构

   virtualInvokers.put(m, invoker);

  

 

  ConsistentHashSelector的构造方法,主要是计算 invokers 的每一个 invoker 的hash,并将其放入 virtualInvokers 中。从这里可以看到,Dubbo默认的虚拟节点为160个。对比一致性 hash 算法中,virtualInvokers 就是 hash 环,invoker 就是节点。

  我们继续看如何从 hash 环中找到最近的节点

  

public Invoker T select(Invocation invocation) {

 

   // 将参数转为 key

   String key = toKey(invocation.getArguments());

   // 对参数 key 进行 md5 运算

   byte[] digest = md5(key);

   // 取 digest 数组的前四个字节进行 hash 运算,再将 hash 值传给 selectForKey 方法,

   // 寻找合适的 Invoker

   return selectForKey(hash(digest, 0));

  private Invoker T selectForKey(long hash) {

   // 到 TreeMap 中查找第一个节点值大于或等于当前 hash 的 Invoker

   Map.Entry Long, Invoker T entry = virtualInvokers.tailMap(hash, true).firstEntry();

   // 如果 hash 大于 Invoker 在圆环上最大的位置,此时 entry = null,

   // 需要将 TreeMap 的头节点赋值给 entry

   if (entry == null) {

   entry = virtualInvokers.firstEntry();

   return entry.getValue();

  

 

  选择的过程也很简单,依赖的是 TreeMap 的 tailMap 方法。

  本文介绍了Dubbo内置的4中负载均衡实现。至此,Dubbo的集群容错的四个部分,也就是服务目录 Directory、服务路由 Router、集群 Cluster 和负载均衡 LoadBalance 都已全部讲完。

  参考资料

  Dubbo开发指南

  以上就是Dubbo源码(八)(深度剖析dubbo源码)的详细内容,想要了解更多 Dubbo源码(八)的内容,请持续关注盛行IT软件开发工作室。

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: