乐趣区

负载均衡算法 — 平滑加权轮询

首发于 樊浩柏科学院

在 负载均衡算法 — 轮询 一文中,我们就指出了加权轮询算法一个明显的缺陷。即在某些特殊的权重下,加权轮询调度会生成不均匀的实例序列,这种不平滑的负载可能会使某些实例出现瞬时高负载的现象,导致系统存在宕机的风险。为了解决这个调度缺陷,就提出了 平滑加权轮询 调度算法。

待解决的问题
为了说明平滑加权轮询调度的平滑性,使用以下 3 个特殊的权重实例来演示调度过程。

服务实例
权重值

192.168.10.1:2202
5

192.168.10.2:2202
1

192.168.10.3:2202
1

我们已经知道通过 加权轮询 算法调度后,会生成如下不均匀的调度序列。

请求
选中的实例

1
192.168.10.1:2202

2
192.168.10.1:2202

3
192.168.10.1:2202

4
192.168.10.1:2202

5
192.168.10.1:2202

6
192.168.10.2:2202

7
192.168.10.3:2202

接下来,我们就使用平滑加权轮询算法调度上述实例,看看生成的实例序列如何?
算法描述
假设有 N 台实例 S = {S1, S2, …, Sn},配置权重 W = {W1, W2, …, Wn},有效权重 CW = {CW1, CW2, …, CWn}。每个实例 i 除了存在一个配置权重 Wi 外,还存在一个当前有效权重 CWi,且 CWi 初始化为 Wi;指示变量 currentPos 表示当前选择的实例 ID,初始化为 -1;所有实例的配置权重和为 weightSum;
那么,调度算法可以描述为:1、初始每个实例 i 的 当前有效权重 CWi 为 配置权重 Wi,并求得配置权重和 weightSum;2、选出 当前有效权重 最大 的实例,将 当前有效权重 CWi 减去所有实例的 权重和 weightSum,且变量 currentPos 指向此位置;3、将每个实例 i 的 当前有效权重 CWi 都加上 配置权重 Wi;4、此时变量 currentPos 指向的实例就是需调度的实例;5、每次调度重复上述步骤 2、3、4;
上述 3 个服务,配置权重和 weightSum 为 7,其调度过程如下:

请求
选中前的当前权重
currentPos
选中的实例
选中后的当前权重

1
{5, 1, 1}
0
192.168.10.1:2202
{-2, 1, 1}

2
{3, 2, 2}
0
192.168.10.1:2202
{-4, 2, 2}

3
{1, 3, 3}
1
192.168.10.2:2202
{1, -4, 3}

4
{6, -3, 4}
0
192.168.10.1:2202
{-1, -3, 4}

5
{4, -2, 5}
2
192.168.10.3:2202
{4, -2, -2}

6
{9, -1, -1}
0
192.168.10.1:2202
{2, -1, -1}

7
{7, 0, 0}
0
192.168.10.1:2202
{0, 0, 0}

8
{5, 1, 1}
0
192.168.10.1:2202
{-2, 1, 1}

可以看出上述调度序列分散是非常均匀的,且第 8 次调度时当前有效权重值又回到 {0, 0, 0},实例的状态同初始状态一致,所以后续可以一直重复调度操作。
此轮询调度算法思路首先被 Nginx 开发者提出,见 phusion/nginx 部分。
代码实现
这里使用 PHP 来实现,源码见 fan-haobai/load-balance 部分。
class SmoothWeightedRobin implements RobinInterface
{
private $services = array();

private $total;

private $currentPos = -1;

public function init(array $services)
{
foreach ($services as $ip => $weight) {
$this->services[] = [
‘ip’ => $ip,
‘weight’ => $weight,
‘current_weight’ => $weight,
];
}
$this->total = count($this->services);
}

public function next()
{
// 获取最大当前有效权重实例的位置
$this->currentPos = $this->getMaxCurrentWeightPos();

// 当前权重减去权重和
$currentWeight = $this->getCurrentWeight($this->currentPos) – $this->getSumWeight();
$this->setCurrentWeight($this->currentPos, $currentWeight);

// 每个实例的当前有效权重加上配置权重
$this->recoverCurrentWeight();

return $this->services[$this->currentPos][‘ip’];
}
}
其中,getSumWeight() 为所有实例的配置权重和;getCurrentWeight() 和 setCurrentWeight() 分别用于获取和设置指定实例的当前有效权重;getMaxCurrentWeightPos() 求得最大当前有效权重的实例位置,实现如下:
public function getMaxCurrentWeightPos()
{
$currentWeight = $pos = 0;
foreach ($this->services as $index => $service) {
if ($service[‘current_weight’] > $currentWeight) {
$currentWeight = $service[‘current_weight’];
$pos = $index;
}
}

return $pos;
}
recoverCurrentWeight() 用于调整每个实例的当前有效权重,即加上配置权重,实现如下:
public function recoverCurrentWeight()
{
foreach ($this->services as $index => &$service) {
$service[‘current_weight’] += $service[‘weight’];
}
}
需要注意的是,在配置 services 服务列表时,同样需要指定其权重:
$services = [
‘192.168.10.1:2202’ => 5,
‘192.168.10.2:2202’ => 1,
‘192.168.10.3:2202’ => 1,
];
数学证明
可惜的是,关于此调度算法严谨的数学证明少之又少,不过网友 tenfy 给出的 安大神 证明过程,非常值得参考和学习。
证明权重合理性
假如有 n 个结点,记第 i 个结点的权重是 $x_i$,设总权重为 $S = x_1 + x_2 + … + x_n$。选择分两步:1、为每个节点加上它的权重值;2、选择最大的节点减去总的权重值;
n 个节点的初始化值为 [0, 0, …, 0],数组长度为 n,值都为 0。第一轮选择的第 1 步执行后,数组的值为 $[x_1, x_2, …, x_n]$。
假设第 1 步后,最大的节点为 j,则第 j 个节点减去 S。所以第 2 步的数组为 $[x_1, x_2, …, x_j-S, …, x_n]$。执行完第 2 步后,数组的和为:$x_1 + x_2 + … + x_j-S + … + x_n => x_1 + x_2 + … + x_n – S = S – S = 0$
由此可见,每轮选择第 1 步操作都是数组的总和加上 S,第 2 步总和再减去 S,所以每轮选择完后的数组总和都为 0。
假设总共执行 S 轮选择,记第 i 个结点选择 $m_i$ 次。第 i 个结点的当前权重为 $w_i$。假设节点 j 在第 t 轮(t < S)之前,已经被选择了 $x_j$ 次,记此时第 j 个结点的当前权重为 $w_j = t \* x_j – x_j \* S = (t – S) \* x_j < 0$,因为 t 恒小于 S,所以 $w_j < 0$。
前面假设总共执行 S 轮选择,则剩下 S-t 轮 j 都不会被选中,上面的公式 $w_j = (t – S) \* x_j + (S – t) \* x_j = 0$。所以在剩下的选择中,$w_j$ 永远小于等于 0,由于上面已经证明任何一轮选择后,数组总和都为 0,则必定存在一个节点 k 使得 $w_k > 0$,永远不会再选中节点 j。
由此可以得出,第 i 个结点最多被选中 $x_i$ 次,即 $m_i <= x_i$。因为 $S = m_1 + m_2 + … + m_n$ 且 $S = x_1 + x_2 + … + x_n$。所以,可以得出 $m_i == x_i$。
证明平滑性
证明平滑性,只要证明不要一直都是连续选择那一个节点即可。
跟上面一样,假设总权重为 S,假如某个节点 i 连续选择了 t($t < x_i$)次,只要存在下一次选择的不是节点 i,即可证明是平滑的。
假设 $t = x_i – 1$,此时第 i 个结点的当前权重为 $w_i = t \* x_i – t \* S = (x_i – 1) \* x_i – (x_i – 1) \* S$。证明下一轮的第 1 步执行完的值 $w_i + x_i$ 不是最大的即可。
$w_i + x_i => (x_i – 1) \* x_i – (x_i – 1) \* S + x_i =>$$x_i^2 – x_i \* S + S => (x_i – 1) \* (x_i – S) + x_i$
因为 $x_i$ 恒小于 S,所以 $x_i – S <= -1$。所以上面:$(x_i – 1) \* (x_i – S) + x_i <= (x_i – 1) \* -1 + x_i = -x_i + 1 + x_i = 1$
所以第 t 轮后,再执行完第 1 步的值 $w_i + x_i <= 1$。如果这 t 轮刚好是最开始的 t 轮,则必定存在另一个结点 j 的值为 $x_j \* t$,所以有 $w_i + x_i <= 1 < 1 \* t < x_j \* t$。所以下一轮肯定不会选中 i。
总结
尽管,平滑加权轮询算法改善了加权轮询算法调度的缺陷,即调度序列分散的不均匀,避免了实例负载突然加重的可能,但是仍然不能动态感知每个实例的负载。
若由于实例权重配置不合理,或者一些其他原因加重系统负载的情况,平滑加权轮询都无法实现每个实例的负载均衡,这时就需要 有状态 的调度算法来完成。
相关文章 »

负载均衡算法 — 轮询(2018-11-29)

退出移动版