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