Go：自适应负载均衡算法原理和实现

背景

在选择负载均衡算法时，我们希望满足以下要求：

1. 具备分区和机房调度亲和性
• 每次选择的节点尽量是负载最低的
• 每次尽可能选择响应最快的节点
2. 无需人工干预故障节点
• 当一个节点有故障时，负载均衡算法可以自动隔离该节点
• 当故障节点恢复时，能够自动恢复对该节点的流量分发

基于这些考虑，go-zero
选择了 p2c+EWMA
算法来实现。

算法的核心思想

p2c

p2c (Pick Of 2 Choices)
二选一: 在多个节点中随机选择两个节点。

go-zero
中的会随机的选择3次，如果其中一次选择的节点的健康条件满足要求，就中断选择，采用这两个节点。

EWMA

EWMA (Exponentially Weighted Moving-Average)
指数移动加权平均法: 是指各数值的加权系数随时间呈指数递减，越靠近当前时刻的数值加权系数就越大，体现了最近一段时间内的平均值。

• 公式:

  

• 变量解释:

• Vt
  : 代表的是第 t
  次请求的 EWMA值
  
• Vt-1
  : 代表的是第 t-1
  次请求的 EWMA值
  
• β
  : 是一个常量

EWMA 算法的优势

1. 相较于普通的计算平均值算法，EWMA
   不需要保存过去所有的数值，计算量显著减少，同时也减小了存储资源。
2. 传统的计算平均值算法对网络耗时不敏感, 而 EWMA
   可以通过请求频繁来调节 β
   ，进而迅速监控到网络毛刺或更多的体现整体平均值。
• 当请求较为频繁时, 说明节点网络负载升高了, 我们想监测到此时节点处理请求的耗时(侧面反映了节点的负载情况), 我们就相应的调小β
  。β
  越小，EWMA值
  就越接近本次耗时，进而迅速监测到网络毛刺;
• 当请求较为不频繁时, 我们就相对的调大β值
  。这样计算出来的 EWMA值
  越接近平均值

β计算

go-zero
采用的是牛顿冷却定律中的衰减函数模型计算 EWMA
算法中的 β
值:

其中 Δt
为两次请求的间隔，e
，k
为常数

gRPC 中实现自定义负载均衡器

1. 首先我们需要实现 google.golang.org/grpc/balancer/base/base.go/PickerBuilder
   接口, 这个接口是有服务节点更新的时候会调用接口里的Build
   方法

   type PickerBuilder interface {
    // Build returns a picker that will be used by gRPC to pick a SubConn.
    Build(info PickerBuildInfo) balancer.Picker
}

   

2. 还要实现 google.golang.org/grpc/balancer/balancer.go/Picker
   接口。这个接口主要实现负载均衡，挑选一个节点供请求使用

   type Picker interface {
  Pick(info PickInfo) (PickResult, error)
}

   

3. 最后向负载均衡 map
   中注册我们实现的负载均衡器

go-zero 实现负载均衡的主要逻辑

1. 在每次节点更新，gRPC
   会调用 Build
   方法，此时在 Build
   里实现保存所有的节点信息。
2. gRPC
   在获取节点处理请求时，会调用 Pick
   方法以获取节点。go-zero
   在 Pick
   方法里实现了 p2c
   算法，挑选节点，并通过节点的 EWMA值
   计算负载情况，返回负载低的节点供 gRPC
   使用。
3. 在请求结束的时候 gRPC
   会调用 PickResult.Done
   方法，go-zero
   在这个方法里实现了本次请求耗时等信息的存储，并计算出了 EWMA值
   保存了起来，供下次请求时计算负载等情况的使用。

负载均衡代码分析

1. 保存服务的所有节点信息

   我们需要保存节点处理本次请求的耗时、EWMA
   等信息，go-zero
   给每个节点设计了如下结构：

   type subConn struct {
    addr     resolver.Address
    conn     balancer.SubConn
    lag      uint64 // 用来保存 ewma 值
    inflight int64  // 用在保存当前节点正在处理的请求总数
    success  uint64 // 用来标识一段时间内此连接的健康状态
    requests int64  // 用来保存请求总数
    last     int64  // 用来保存上一次请求耗时, 用于计算 ewma 值
    pick     int64  // 保存上一次被选中的时间点
}

   

2. p2cPicker
   实现了 balancer.Picker
   接口，conns
   保存了服务的所有节点信息

   type p2cPicker struct {
  conns []*subConn  // 保存所有节点的信息 
  r     *rand.Rand
  stamp *syncx.AtomicDuration
  lock  sync.Mutex
}

   

3. gRPC
   在节点有更新的时候会调用 Build
   方法，传入所有节点信息，我们在这里把每个节点信息用 subConn
   结构保存起来。并归并到一起用 p2cPicker
   结构保存起来

   func (b *p2cPickerBuilder) Build(info base.PickerBuildInfo) balancer.Picker {
  ......
  var conns []*subConn
  for conn, connInfo := range readySCs {
    conns = append(conns, &subConn{
      addr:    connInfo.Address,
      conn:    conn,
      success: initSuccess,
    })
  }
  return &p2cPicker{
    conns: conns,
    r:     rand.New(rand.NewSource(time.Now().UnixNano())),
    stamp: syncx.NewAtomicDuration(),
  }
}

   

4. 随机挑选节点信息，在这里分了三种情况:

   主要实现代码如下：

   switch len(p.conns) {
  case 0: // 没有节点，返回错误
    return emptyPickResult, balancer.ErrNoSubConnAvailable
  case 1: // 有一个节点，直接返回这个节点
    chosen = p.choose(p.conns[0], nil)
  case 2: // 有两个节点，计算负载，返回负载低的节点
    chosen = p.choose(p.conns[0], p.conns[1])
  default: // 有多个节点，p2c 挑选两个节点，比较这两个节点的负载，返回负载低的节点
    var node1, node2 *subConn
    // 3次随机选择两个节点
    for i := 0; i < pickTimes; i++ {
      a := p.r.Intn(len(p.conns))
      b := p.r.Intn(len(p.conns) - 1)
      if b >= a {
        b++
      }
      node1 = p.conns[a]
      node2 = p.conns[b]
      // 如果这次选择的节点达到了健康要求, 就中断选择
      if node1.healthy() && node2.healthy() {
        break
      }
    }
    // 比较两个节点的负载情况，选择负载低的
    chosen = p.choose(node1, node2)
  }

   

1. 只有一个服务节点，此时直接返回供 gRPC
   使用即可
2. 有两个服务节点，通过 EWMA值
   计算负载，并返回负载低的节点返回供 gRPC
   使用
3. 有多个服务节点，此时通过 p2c
   算法选出两个节点，比较负载情况，返回负载低的节点供 gRPC
   使用

5. load
   计算节点的负载情况

   上面的 choose
   方法会调用 load
   方法来计算节点负载。

   计算负载的公式是: load = ewma * inflight
   

   在这里简单解释下：ewma
   相当于平均请求耗时，inflight
   是当前节点正在处理请求的数量，相乘大致计算出了当前节点的网络负载。

   func (c *subConn) load() int64 {
  // 通过 EWMA 计算节点的负载情况； 加 1 是为了避免为 0 的情况
  lag := int64(math.Sqrt(float64(atomic.LoadUint64(&c.lag) + 1)))
  load := lag * (atomic.LoadInt64(&c.inflight) + 1)
  if load == 0 {
    return penalty
  }
  return load
}

   

6. 请求结束，更新节点的 EWMA
   等信息

   func (p *p2cPicker) buildDoneFunc(c *subConn) func(info balancer.DoneInfo) {
  start := int64(timex.Now())
  return func(info balancer.DoneInfo) {
    // 正在处理的请求数减 1
    atomic.AddInt64(&c.inflight, -1)
    now := timex.Now()
    // 保存本次请求结束时的时间点，并取出上次请求时的时间点
    last := atomic.SwapInt64(&c.last, int64(now))
    td := int64(now) - last
    if td < 0 {
      td = 0
    }
    // 用牛顿冷却定律中的衰减函数模型计算EWMA算法中的β值
    w := math.Exp(float64(-td) / float64(decayTime))
    // 保存本次请求的耗时
    lag := int64(now) - start
    if lag < 0 {
      lag = 0
    }
    olag := atomic.LoadUint64(&c.lag)
    if olag == 0 {
      w = 0
    }
    // 计算 EWMA 值
    atomic.StoreUint64(&c.lag, uint64(float64(olag)*w+float64(lag)*(1-w)))
    success := initSuccess
    if info.Err != nil && !codes.Acceptable(info.Err) {
      success = 0
    }
    osucc := atomic.LoadUint64(&c.success)
    atomic.StoreUint64(&c.success, uint64(float64(osucc)*w+float64(success)*(1-w)))

    stamp := p.stamp.Load()
    if now-stamp >= logInterval {
      if p.stamp.CompareAndSwap(stamp, now) {
        p.logStats()
      }
    }
  }
}

   

1. 把节点正在处理请求的总数减1
2. 保存处理请求结束的时间点，用于计算距离上次节点处理请求的差值，并算出 EWMA
   中的 β值
   
3. 计算本次请求耗时，并计算出 EWMA值
   保存到节点的 lag
   属性里
4. 计算节点的健康状态保存到节点的 success
   属性中

• 新书推荐：用 Gin 框架构建分布式应用
  

我是 polarisxu，北大硕士毕业，曾在 360 等知名互联网公司工作，10多年技术研发与架构经验！2012 年接触 Go 语言并创建了 Go 语言中文网！著有《Go语言编程之旅》、开源图书《Go语言标准库》等。

坚持输出技术（包括 Go、Rust 等技术）、职场心得和创业感悟！欢迎关注「polarisxu」一起成长！也欢迎加我微信好友交流：gopherstudio