源码分析Dubbo负载算法 | HeapDump性能社区

Dubbo支持在服务调用方对服务提供者采用负载均衡算法，LoadBalance接口定义如下：

 1@SPI(RandomLoadBalance.NAME)
 2public interface LoadBalance {
 3
 4    /**
 5     * select one invoker in list.
 6     * 
 7     * @param invokers invokers.
 8     * @param url refer url
 9     * @param invocation invocation.
10     * @return selected invoker.
11     */
12    @Adaptive("loadbalance")
13    <T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) throws RpcException;
14}

从中透露出如下几个信息：
默认如果不配置，使用RandomLoadBalance策略(加权随机负载算法）。整个Dubbo的负载均衡类图如下所示：

上述各种路由负载策略，对应的配置值如下：dubbo-cluster\src\main\resources\META-INF\dubbo\internal\com.alibaba.dubbo.rpc.cluster.LoadBalance

random
random=com.alibaba.dubbo.rpc.cluster.loadbalance.RandomLoadBalance
roundrobin
roundrobin=com.alibaba.dubbo.rpc.cluster.loadbalance.RoundRobinLoadBalance
leastactive
leastactive=com.alibaba.dubbo.rpc.cluster.loadbalance.LeastActiveLoadBalance
consistenthash
consistenthash=com.alibaba.dubbo.rpc.cluster.loadbalance.ConsistentHashLoadBalance

其配置使用，通常一般在< dubbo:consumer/>、< dubbo:service />、< dubbo:reference />的loadbalance属性配置，通常< dubbo:consumer/>这个属性指定消费端的默认策略，某些服务需要指定特殊负载均衡策略的话，一般通过< dubbo:reference />来指定。
如果各位对其源码实现比较有兴趣的话，可以看接下来的部分，源码分析各种负载算法的具体实现细节。

一致性Hash算法

一致Hash算法，通常用在缓存领域，主要解决的问题是当数据节点数量发送变化后，尽量减少数据的迁移，在负责算法领域，个人不建议使用。Dubbo一致性Hash算法的实现逻辑主要分布在ConsistentHashLoadBalance的内部类ConsistentHashSelector中。

核心属性与构造方法

1private final TreeMap<Long, Invoker<T>> virtualInvokers;
2private final int                       replicaNumber;
3private final int                       identityHashCode;
4private final int[]                     argumentIndex;

TreeMap< Long, Invoker< T>> virtualInvokers：虚拟节点，使用TreeMap实现Hash环，将Invoker分布在环上。
int replicaNumber：虚拟节点个数。
int identityHashCode：HashCode。
int[] argumentIndex：需要参与hash的参数索引,argumentIndex = [0,1]表示服务方法的第一个，第二个参数参与hashcode计算。

接下来看一下其构造方法：

 1public ConsistentHashSelector(List<Invoker<T>> invokers, String methodName, int identityHashCode) {
 2    this.virtualInvokers = new TreeMap<Long, Invoker<T>>();
 3    this.identityHashCode = System.identityHashCode(invokers);    // @1
 4    URL url = invokers.get(0).getUrl();
 5    this.replicaNumber = url.getMethodParameter(methodName, "hash.nodes", 160);   // @2
 6    String[] index = Constants.COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, "hash.arguments", "0"));   // @3 start
 7    argumentIndex = new int[index.length];
 8    for (int i = 0; i < index.length; i ++) {
 9          argumentIndex[i] = Integer.parseInt(index[i]);
10    }  // @3 end
11    for (Invoker<T> invoker : invokers) {    // @4
12         for (int i = 0; i < replicaNumber / 4; i++) {
13               byte[] digest = md5(invoker.getUrl().toFullString() + i);
14               for (int h = 0; h < 4; h++) { 
15                     long m = hash(digest, h);
16                     virtualInvokers.put(m, invoker);  
17                }
18           }
19      } // @4 end
20    }

代码@1：根据所有的调用者生成一个HashCode，用该HashCode值来判断服务提供者是否发生了变化。
代码@2：获取服务提供者< dubbo:method/>标签的hash.nodes属性，如果为空，默认为160，表示一致性hash算法中虚拟节点数量。其配置方式如下：

1< dubbo:method ... >
2    < dubbo:parameter key="hash.nodes" value="160" />
3    < dubbo:parameter key="hash.arguments" value="0,1" />
4< /dubbo:method/>

代码@3：一致性Hash算法，在dubbo中，相同的服务调用参数走固定的节点，hash.arguments表示哪些参数参与hashcode，默认值“0”，表示第一个参数。
代码@4：为每一个Invoker创建replicaNumber 个虚拟节点，每一个节点的Hashcode不同。同一个Invoker不同hashcode的创建逻辑为：
invoker.getUrl().toFullString() + i (0-39)的值，对其md5,然后用该值+h(0-3)的值取hash。一致性hash实现的一个关键是如果将一个Invoker创建的replicaNumber个虚拟节点(hashcode)能够均匀分布在Hash环上，Dubbo给出的实现如下，由于能力有限，目前并未真正理解如下方法的实现依据：

1private long hash(byte[] digest, int number) {
2            return (((long) (digest[3 + number * 4] & 0xFF) << 24)
3                    | ((long) (digest[2 + number * 4] & 0xFF) << 16)
4                    | ((long) (digest[1 + number * 4] & 0xFF) << 8)
5                    | (digest[number * 4] & 0xFF))
6                    & 0xFFFFFFFFL;
7        }

综上所述，构造函数主要完成一致性Hash算法Hash环的构建，利用了TreeMap的有序性来实现。

一致性Hash算法具体实现逻辑

public Invoker< T> select(Invocation invocation)

1public Invoker<T> select(Invocation invocation) {
2     String key = toKey(invocation.getArguments());   // @1
3     byte[] digest = md5(key);                                      // @2
4     return selectForKey(hash(digest, 0));                   // @3
5}

代码@1：根据调用参数，并根据hash.arguments配置值，获取指定的位置的参数值，追加一起返回。
代码@2：对Key进行md5签名。
代码@3：根据key进行选择调用者。

ConsistentHashSelector#selectForKey

1private Invoker<T> selectForKey(long hash) {
2     Map.Entry<Long, Invoker<T>> entry = virtualInvokers.tailMap(hash, true).firstEntry();    // @1
3     if (entry == null) {    // @2
4         entry = virtualInvokers.firstEntry();
5     }
6     return entry.getValue();   // @3
7}

代码@1，对虚拟节点，从virtualInvokers中选取一个子集，subMap(hash,ture,lastKey,true),其实就是实现根据待查找hashcode(key)顺时针，选中大于等于指定key的第一个key。
代码@2，如果未找到，则返回virtualInvokers第一个key。
代码@3：根据key返回指定的Invoker即可。

这里实现，应该可以不使用tailMap，代码修改如下：

1private Invoker<T> selectForKey(long hash) {
2     Map.Entry<Long, Invoker<T>> entry = virtualInvokers.ceilingEntry(hash);
3     if(entry == null ) {
4         entry = virtualInvokers.firstEntry();
5     }
6     return entry.getValue();
7}

random加权随机

Dubbo预热机制（权重）

由于roundrobin（加权轮询）、random（加权随机）、leastactive（最小活跃连接数）都与权重有关系，在介绍这两种负载均衡算法之前，我们首先看一下Dubbo关于权重的获取逻辑，代码见AbstractLoadBalance#getWeigh方法：

 1protected int getWeight(Invoker<?> invoker, Invocation invocation) {
 2        int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);   // @1
 3        if (weight > 0) {
 4            long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY, 0L);  // @2
 5            if (timestamp > 0L) {
 6                int uptime = (int) (System.currentTimeMillis() - timestamp);
 7                int warmup = invoker.getUrl().getParameter(Constants.WARMUP_KEY, Constants.DEFAULT_WARMUP);  // @3
 8                if (uptime > 0 && uptime < warmup) {
 9                    weight = calculateWarmupWeight(uptime, warmup, weight);   // @4
10                }
11            }
12        }
13        return weight;
14    }

代码@1：首先获取服务提供者的权重(weight)。
代码@2：获取服务提供者的启动时间，在服务提供者启动时，会将启动时间戳存储在服务提供者的URL中，在服务发现(RegistryDirecotry)服务发现时，会将服务提供者的时间戳KEY，换成REMOTE_TIMESTAMP_KEY，避免与服务消费者的启动时间戳冲突。
代码@3：获取服务提供者是否开启预热机制，通过服务提供者< dubbo:service warmup=""/>参数来设置，如果未设置，去默认值10 * 60 * 1000（10分钟）。
代码@4：如果服务提供者启动时间小于预热时间（预热期间），需要根据启动时间，来计算预热期间服务提供者的权重。

AbstractLoadBalance#calculateWarmupWeight

1static int calculateWarmupWeight(int uptime, int warmup, int weight) { // @1
2        int ww = (int) ((float) uptime / ((float) warmup / (float) weight));
3        return ww < 1 ? 1 : (ww > weight ? weight : ww);
4    }

代码@1：参数说明，uptime：服务提供者启动时间；warmup：设置的预热时间;weight：服务提供者的权重，该方法在uptime < warmup时被调用该方法的实现，就是在预热期间，根据启动时间，动态返回该服务提供者的权重，并且启动时间越长，返回的权重越接近weight，启动时间超过预热时间，则直接返回weight。该方法单元测试：

其输出结果：这里写图片描述

加权随机算法实现

 1protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
 2        int length = invokers.size(); // Number of invokers                    
 3        int totalWeight = 0; // The sum of weights       // @1 start
 4        boolean sameWeight = true; // Every invoker has the same weight?
 5        for (int i = 0; i < length; i++) {
 6            int weight = getWeight(invokers.get(i), invocation);
 7            totalWeight += weight; // Sum
 8            if (sameWeight && i > 0
 9                    && weight != getWeight(invokers.get(i - 1), invocation)) {
10                sameWeight = false;
11            }
12        }   // @1 end
13        if (totalWeight > 0 && !sameWeight) {    // @2
14            // If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight.
15            int offset = random.nextInt(totalWeight);
16            // Return a invoker based on the random value.
17            for (int i = 0; i < length; i++) {
18                offset -= getWeight(invokers.get(i), invocation);
19                if (offset < 0) {
20                    return invokers.get(i);
21                }
22            }
23        }
24        // If all invokers have the same weight value or totalWeight=0, return evenly.
25        return invokers.get(random.nextInt(length));  // @3
26    }

代码@1：首先求所有服务提供者的总权重，并判断每个服务提供者的权重是否相同。
代码@2：如果提供者之间的权重不相同，则产生一个随机数(0-totalWeight)，视为offset,然后依次用offset减去服务提供者的权重，如果减去(offset - provider.weight < 0),则该invoker命中。
代码@3：如果服务提供者的权重相同，则随机产生[0-invoker.size)即可。

roundrobin加权轮询算法

加权轮询算法的核心算法是按权重轮询，一个基本点是应该是一个当前序号与服务提供者数量取模，需要结合权重。Dubbo使用如下数据结构存储当前序号：

 1private final ConcurrentMap<String, AtomicPositiveInteger> sequences = new ConcurrentHashMap<String, AtomicPositiveInteger>();键值：serviceKey(<dubbo:service interface=""/>+ methodname)，每个方法采用不同的计数器。
 2RoundRobinLoadBalance #doSelect
 3protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
 4        String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();    // @1
 5        int length = invokers.size(); // Number of invokers
 6        int maxWeight = 0; // The maximum weight
 7        int minWeight = Integer.MAX_VALUE; // The minimum weight
 8        final LinkedHashMap<Invoker<T>, IntegerWrapper> invokerToWeightMap = new LinkedHashMap<Invoker<T>, IntegerWrapper>();   // @2 start
 9        int weightSum = 0;
10        for (int i = 0; i < length; i++) {
11            int weight = getWeight(invokers.get(i), invocation);
12            maxWeight = Math.max(maxWeight, weight); // Choose the maximum weight
13            minWeight = Math.min(minWeight, weight); // Choose the minimum weight
14            if (weight > 0) {
15                invokerToWeightMap.put(invokers.get(i), new IntegerWrapper(weight));
16                weightSum += weight;
17            }
18        }   // @2 end 
19        AtomicPositiveInteger sequence = sequences.get(key);
20        if (sequence == null) {
21            sequences.putIfAbsent(key, new AtomicPositiveInteger());
22            sequence = sequences.get(key);
23        }
24        int currentSequence = sequence.getAndIncrement();    // @3
25        if (maxWeight > 0 && minWeight < maxWeight) {   // @4
26            int mod = currentSequence % weightSum;
27            for (int i = 0; i < maxWeight; i++) {
28                for (Map.Entry<Invoker<T>, IntegerWrapper> each : invokerToWeightMap.entrySet()) {
29                    final Invoker<T> k = each.getKey();
30                    final IntegerWrapper v = each.getValue();
31                    if (mod == 0 && v.getValue() > 0) {
32                        return k;
33                    }
34                    if (v.getValue() > 0) {
35                        v.decrement();
36                        mod--;
37                    }
38                }
39            }
40        }
41        // Round robin
42        return invokers.get(currentSequence % length);   // @5
43    }

代码@1：构建ConcurrentMap< String, AtomicPositiveInteger> sequences中的key,以interface+methodname为键，里面存储的是当前序号（轮询）。
代码@2：构建LinkedHashMap< Invoker< T>, IntegerWrapper>存储结构，通过遍历所有Invoker，构建每个Invoker的权重，与此同时算出总权重，并且得出所有服务提供者权重是否相同。
代码@3：获取当前的轮询序号，用于取模。
代码@4：如果服务提供者之间的权重有差别，需要按权重轮询，实现方式是：
1）用当前轮询序号与服务提供者总权重取模，余数为mod。
2）然后从0循环直到最大权重，针对每一次循环，按同一顺序遍历所有服务提供者，如果mod等于0并且对应的Invoker的权重计算器大于0，则选择该服务提供者；否则，mod–,invoker对应的权重减一，权重是临时比那里LinkedHashMap< Invoker< T>, IntegerWrapper>。由于外层循环的次数为所有服务提供者的最大权重，内层循环当mod等于0时，肯定会有一个服务提供者的权重计数器大于0,而返回对应的服务提供者。返回的服务提供者是第一个满足的服务提供者，后续的服务提供者在下一次就会有机会，因为下一次mod会增大1，后续的服务提供者通过轮询会被选择，选择的机会，取决于权重的大小。
代码@5：如果各服务提供者权重相同，则直接对服务提供者取模即可，轮询后递增。

leastactive最少活跃连接数算法

最小活跃连接数，其核心实现就是，首先找到服务提供者当前最小的活跃连接数，如果一个服务提供者的服务连接数比其他的都要小，则选择这个活跃连接数最小的服务提供者发起调用，如果存在多个服务提供者的活跃连接数，并且是最小的，则在这些服务提供者之间选择加权随机算法选择一个服务提供者。

 1protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
 2        int length = invokers.size(); // Number of invokers                                                                                            // @1 start
 3        int leastActive = -1; // The least active value of all invokers
 4        int leastCount = 0; // The number of invokers having the same least active value (leastActive)
 5        int[] leastIndexs = new int[length]; // The index of invokers having the same least active value (leastActive)
 6        int totalWeight = 0; // The sum of weights
 7        int firstWeight = 0; // Initial value, used for comparision
 8        boolean sameWeight = true; // Every invoker has the same weight value?                                                      // @1 end
 9        for (int i = 0; i < length; i++) {                                                                                                                             // @2 
10            Invoker<T> invoker = invokers.get(i);
11            int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive(); // Active number
12            int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT); //          
13                                                    // Weight
14            if (leastActive == -1 || active < leastActive) { // Restart, when find a invoker having smaller least active value.              // @3
15                leastActive = active; // Record the current least active value
16                leastCount = 1; // Reset leastCount, count again based on current leastCount
17                leastIndexs[0] = i; // Reset
18                totalWeight = weight; // Reset
19                firstWeight = weight; // Record the weight the first invoker
20                sameWeight = true; // Reset, every invoker has the same weight value?
21            } else if (active == leastActive) { // If current invoker's active value equals with leaseActive, then accumulating.       // @4
22                leastIndexs[leastCount++] = i; // Record index number of this invoker
23                totalWeight += weight; // Add this invoker's weight to totalWeight.
24                // If every invoker has the same weight?
25                if (sameWeight && i > 0
26                        && weight != firstWeight) {
27                    sameWeight = false;
28                }
29            }
30        }
31        // assert(leastCount > 0)
32        if (leastCount == 1) {     // @5
33            // If we got exactly one invoker having the least active value, return this invoker directly.
34            return invokers.get(leastIndexs[0]);
35        }
36        if (!sameWeight && totalWeight > 0) {    // @6
37            // If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight.
38            int offsetWeight = random.nextInt(totalWeight);
39            // Return a invoker based on the random value.
40            for (int i = 0; i < leastCount; i++) {
41                int leastIndex = leastIndexs[i];
42                offsetWeight -= getWeight(invokers.get(leastIndex), invocation);
43                if (offsetWeight <= 0)
44                    return invokers.get(leastIndex);
45            }
46        }
47        // If all invokers have the same weight value or totalWeight=0, return evenly.
48        return invokers.get(leastIndexs[random.nextInt(leastCount)]);
49    }

代码@1：解释相关局部变量。
- length ：服务提供者数量。
- leastActive ：服务提供者的最小活跃连接数，初始化为-1。
- leastCount ：服务提供者中都是活跃连接数的个数，例如，3个服务提供者当前的活跃连接数分别为 100,102,100,则leastCount 为2。
- eastIndexs：存放拥有活跃连接数的Invoker索引，例如上面100,102,100,则leastIndexs[0]=0， leastIndexs[1] = 2；
- totalWeight：拥有最小活跃连接数的Invoker的总权重。
- firstWeight ：第一个最小活跃连接数的Invoker的权重。
- sameWeight ：拥有最小活跃连接数的Invoker权重是否相同。
代码@2：遍历所有的服务提供者，计算上述变量的值。
代码@3：如果leastActive （最小活跃连接数为-1，表示第一次遍历）或最新连接数大于当前遍历的Invoker的活跃连接数,需要reset如下值，重新计算：

1      leastActive = active; // Record the current least active value
2      leastCount = 1; // Reset leastCount, count again based on current leastCount
3      leastIndexs[0] = i; // Reset
4      totalWeight = weight; // Reset
5      firstWeight = weight; // Record the weight the first invoker
6      sameWeight = true; // Reset, every invoker has the same weight value?