【云原生＆微服务八】Ribbon负载均衡策略之WeightedResponseTimeRule源码剖析(响应时间加权)

一、前言

前置Ribbon相关文章：

1. 【云原生&微服务一】SpringCloud之Ribbon实现负载均衡详细案例（集成Eureka、Ribbon）
2. 【云原生&微服务二】SpringCloud之Ribbon自定义负载均衡策略（含Ribbon核心API）
3. 【云原生&微服务三】SpringCloud之Ribbon是这样实现负载均衡的（源码剖析@LoadBalanced原理）
4. 【云原生&微服务四】SpringCloud之Ribbon和Erueka集成的细节全在这了（源码剖析）
5. 【微服务五】Ribbon随机负载均衡算法如何实现的
6. 【微服务六】Ribbon负载均衡策略之轮询(RoundRobinRule)、重试(RetryRule)
7. 【微服务七】Ribbon负载均衡策略之BestAvailableRule

我们聊了以下问题：

1. 为什么给RestTemplate类上加上了@LoadBalanced注解就可以使用Ribbon的负载均衡？
2. SpringCloud是如何集成Ribbon的？
3. Ribbon如何作用到RestTemplate上的？
4. 如何获取到Ribbon的ILoadBalancer？
5. ZoneAwareLoadBalancer（属于ribbon）如何与eureka整合，通过eureka client获取到对应注册表?
6. ZoneAwareLoadBalancer如何持续从Eureka中获取最新的注册表信息?
7. 如何根据负载均衡器ILoadBalancer从Eureka Client获取到的List<Server>中选出一个Server？
8. Ribbon如何发送网络HTTP请求？
9. Ribbon如何用IPing机制动态检查服务实例是否存活？
10. Ribbon负载均衡策略之随机（RandomRule）、轮询（RoundRobinRule）、重试（RetryRule）、选择并发量最小的（BestAvailableRule）实现方式；

本文继续讨论 根据响应时间加权算法（WeightedResponseTimeRule）是如何实现的？

二、WeightedResponseTimeRule

WeightedResponseTimeRule继承自RoundRobinRule，也就是说该策略是对RoundRobinRule的扩展，其增加了 根据实例运行情况来计算权重 并根据权重挑选实例的规则，以达到更优的负载、实例分配效果。

下面我们一点点来看WeightedResponseTimeRule是如何实现根据相应时间计算权重并根据权重挑选实例的？

1、计算权重？

WeightedResponseTimeRule在初始化的时候会初始化父类RoundRobinRule，在RoundRobinRule的有参构造函数中会调用setLoadBalancer(ILoadBalancer)方法，WeightedResponseTimeRule类中重写了setLoadBalancer(ILoadBalancer)方法，在setLoadBalancer(ILoadBalancer)中会调用initialize(ILoadBalancer)对权重进行初始化、并定时更新。

public static final int DEFAULT_TIMER_INTERVAL = 30 * 1000;

private int serverWeightTaskTimerInterval = DEFAULT_TIMER_INTERVAL;

1）如何更新权重？

WeightedResponseTimeRule通过Timer#schedule()方法启动一个上一个任务结束到下一个任务开始之间间隔30s执行一次的定时任务为每个服务实例计算权重；

定时任务的主体是DynamicServerWeightTask：

// WeightedResponseTimeRule的内部类
class DynamicServerWeightTask extends TimerTask {
    
    public void run() {
    
        ServerWeight serverWeight = new ServerWeight();
        try {
    
            serverWeight.maintainWeights();
        } catch (Exception e) {
    
            logger.error("Error running DynamicServerWeightTask for {}", name, e);
        }
    }
}

DynamicServerWeightTask的run()方法中会实例化一个ServerWeight对象，并通过其maintainWeights()方法计算权重。

2）如何计算权重？

无论是权重的初始化还是权重的定时更新，都是使用ServerWeight#maintainWeights()方法来计算权重：

// WeightedResponseTimeRule的内部类
class ServerWeight {
    

    public void maintainWeights() {
    
        ILoadBalancer lb = getLoadBalancer();
        if (lb == null) {
    
            return;
        }
        // CAS保证只有一个线程可以进行权重的计算操作
        if (!serverWeightAssignmentInProgress.compareAndSet(false,  true))  {
    
            return; 
        }
        
        try {
    
            logger.info("Weight adjusting job started");
            AbstractLoadBalancer nlb = (AbstractLoadBalancer) lb;
            LoadBalancerStats stats = nlb.getLoadBalancerStats();
            if (stats == null) {
    
                return;
            }
            // 所有实例的平均响应时间总和
            double totalResponseTime = 0;
            for (Server server : nlb.getAllServers()) {
    
                // 汇总每个实例的平均响应时间到totalResponseTime上
                ServerStats ss = stats.getSingleServerStat(server);
                totalResponseTime += ss.getResponseTimeAvg();
            }
            // 计算每个实例的权重：weightSoFar + totalResponseTime - 实例的平均响应时间
            // 实例的平均响应时间越长、权重就越小，就越不容易被选择到
            Double weightSoFar = 0.0;
            
            List<Double> finalWeights = new ArrayList<Double>();
            for (Server server : nlb.getAllServers()) {
    
                ServerStats ss = stats.getSingleServerStat(server);
                double weight = totalResponseTime - ss.getResponseTimeAvg();
                weightSoFar += weight;
                finalWeights.add(weightSoFar);   
            }
            setWeights(finalWeights);
        } catch (Exception e) {
    
            logger.error("Error calculating server weights", e);
        } finally {
    
            // 表示权重计算结束，允许其他线程进行权重计算
            serverWeightAssignmentInProgress.set(false);
        }

    }
}

方法的核心逻辑：

1. LoadBalancerStats中记录了每个实例的统计信息，累加所有实例的平均响应时间，得到总平均响应时间totalResponseTime；
2. 为负载均衡器中维护的实例列表逐个计算权重（从第一个开始），计算规则为：weightSoFar + totalResponseTime - 实例的平均响应时间；
3. 其中weightSoFar初始化为零，并且每计算好一个权重需要累加到weightSoFar上供下一次计算使用；

3）例证权重的计算

举个例子，假如服务A有四个实例：A、B、C、D，他们的平均响应时间（单位：ms）为：10、50、100、200。

• 服务A的所有实例的总响应时间（totalResponseTime）为：10 + 50 + 100 + 200 = 360；
• 每个实例的权重计算规则为：总响应时间（totalResponseTime） 减去 实例的平均响应时间 + 累加的权重weightSoFar，具体到每个实例的计算如下：

1. 实例A：230 - 10 + 0 = 220（weightSoFar = 0）
2. 实例B：230 - 50 + 220 = 400（weightSoFar = 220）
3. 实例C：230 - 100 + 400 = 530（weightSoFar = 400）
4. 实例D：230 - 200 + 530 = 560（weightSoFar = 530）

这里的权重值表示各实例权重区间的上限，以上面的计算结果为例，它为这4个实例各构建了一个区间：

1. 每个实例的区间下限是上一个实例的区间上限;
2. 每个实例的区间上限是我们计算出的并存储于在List<Double>类型的accumulatedWeights变量中的权重值，其中第一个实例的下限默认为零。

所以，根据上面示例的权重计算结果，我们可以得到每个实例的权重区间：

1. 实例A：[0，220]（weightSoFar = 0）
2. 实例B：(220, 400]（weightSoFar = 220）
3. 实例C：(400, 530]（weightSoFar = 400）
4. 实例D：(530, 560]（weightSoFar = 530）

从这里我们可以确定每个区间的宽度实际就是：总的平均响应时间 - 实例的平均响应时间，所以服务实例的平均响应时间越短、权重区间的宽度就越大，服务实例被选中的概率就越高。

这些区间边界的开闭如何确定？区间在哪里使用？

2、权重的使用

我们知道Ribbon负载均衡算法体现在IRule的choose(Object key)方法中，而choose(Object key)方法中又会调用choose(ILoadBalancer lb, Object key)方法，所以我们只需要看WeightedResponseTimeRule的choose(ILoadBalancer lb, Object key)方法：

方法的核心流程如下：

1. 如果服务实例的最大权重值 < 0.001 或者服务的实例个数发生变更，则采用父类RoundRobinRule做轮询负载；
2. 否则，利用Random函数生成一个随机数randomWeight，然后遍历权重列表，找到第一个权重值大于等于随机数randomWeight的列表索引下标，然后拿当前权重列表的索引值去服务实例列表中获取具体实例。

1）权重区间问题？

正常每个区间都为(x, y]，但是第一个实例和最后一个实例不同：

1. 由于随机数的最小取值可以为0，所以第一个实例的下限是闭区间；
2. 随机数的最大值取不到最大权重值，所以最后一个实例的上限是开区间；