qq12531 2016-06-10 13:04 采纳率: 100%
浏览 2683
已采纳

一个比较棘手的问题是关于负载均衡的

把调用的接口部署在了两台服务器上,但是服务器又没有配置nginx来做负载均衡,也不好再加,希望能用程序来实现,请问一下这具体应该怎么实现,拜托望大家帮忙想想办法

  • 写回答

7条回答 默认 最新

  • 余_x 2016-06-23 11:11
    关注

    前几天看到一篇关于负载均衡的文章,希望对楼主有所帮助
    一、什么是负载均衡
    假设我有两个模块(或者两个系统):module-A和module-B,A依赖B提供服务。当用户请求过来的时候,A就会去请求B,让B根据请求进行某些处理(比如:根据单词id查对应的单词),完成后把结果返回给A,A再对这个结果进行处理。然而,为了保证服务稳定,有可能B服务有很多台机器,A遇到这个时候就犯难了:我该去找B的哪台机器取数据呢?

    最常见的一个case就是nginx:比如我们的web逻辑服务器是jetty或者tomcat,一般会有多台,nginx就需要配置这多台机器:
    upstream simplemain.com {
    server 192.168.1.100:8080;
    server 192.168.1.101:8080;
    }

    那这些机器是怎么样选择的呢?实际就是负载均衡算法。

    包含两个层面:
    1、负载:就是后端系统的承载能力。比如同等条件下,一个1核cpu-1G内存的机器的承载能力一般会比8核cpu-8G内存的机器要差;相同配置下,一个cpu利用率为80%的机器比30%的承载能力一般要差等等。
    2、均衡:保证后端请求的平衡。比如:在同等情况下,分配到多台机器的请求要相当;有些情况下,同一用户尽可能分配到同一台机器等等。

    所以,负载均衡的算法实际上就是解决跨系统调用的时候,在考虑后端机器承载情况的前提下,保证请求分配的平衡和合理。
    二、为什么要有负载均衡呢?
    1、很明显,如果我们不去考虑后端的承载情况,有可能直接就把某台机器压垮了(比如cpu利用率已经80%了,再给大量的请求直接就干死了),更严重的会直接造成雪崩(一台压死了,对应的请求又压倒其他某台机器上,又干死一台……),从而致使服务瘫痪。
    2、如果我们均衡算法选的不好,就会导致后端资源浪费。比如:如果选择一致Hash算法,可以很好利用cache的容量。而如果用随机,有可能就会让cache效果大打折扣(每台机器上都要缓存几乎相同的内容)。
    所以,用负载均衡应该是一个比较好的选择。
    三、具体怎么做
    1、先来看负载算法:
    既然要解决后端系统的承载能力,那我们就有很多方式,常见的有以下几种:
    A、简单粗暴有效的:手工配置!
    大家是不是觉得这个听起来很山寨呢?其实不是。这种方式对于中小系统来讲是最有效最稳定的。因为后端机器的性能配置、上面部署了哪些服务、还能有多大的承载能力等等,我们是最清楚的。那我们在配置的时候,就可以明确的告诉调用者,你只能分配多大的压力到某台服务器上,多了不行!

    比如,我们经常看到nginx的配置:
    upstream simplemain.com {
    server 192.168.1.100:8080 weight=30;
    server 192.168.1.101:8080 weight=70;
    }
    就是说,虽然有两台后端的服务器,但是他们承载能力是不一样的,有一个能力更强,我们就给他70%的压力;有一个更弱,我们就给他30%的压力。这样,nginx就会把更多的压力分配给第二台。

    这种方式配置简单,而且很稳定,基本不会产生分配的抖动。不过,带来的问题就是分配很固定,不能动态调整。如果你的后端服务器有一段时间出现性能抖动(比如有其他服务扰动了机器的稳定运行,造成cpu利用率一段时间升高),前端调用者就很难根据实际的情况重新分配请求压力。所以,引入了第二种方法。

    B、动态调整。
    这种方案会根据机器当前运行的状态和历史平均值进行对比,发现如果当前状态比历史的要糟糕,那么就动态减少请求的数量。如果比历史的要好,那么就可以继续增加请求的压力,直到达到一个平衡。

    具体怎么做呢?
    首先,刚开始接入的时候,我们可以计算所有机器对于请求的响应时间,算一个平均值。对于响应较快的机器,我们可以多分配一些请求。如果请求多了导致响应减慢,这个时候就会逐步和其他机器持平,说明这台机器达到了相应的平衡。

    接着,当接入达到平衡以后,就可以统计这台机器平均的响应时间。如果某一段响应请求变慢了(同时比其他机器都要慢),就可以减少对他请求的分配,将压力转移一部分到其他机器,直到所有机器达到一个整体的平衡。

    这种方案是不是看起来很高级呢?他的好处在于可以动态的来平衡后面服务器的处理能力。不过,任何事物都有两面性。这种方案如果遇到极端情况,可能会造成系统雪崩!当某台机器出现短暂网络抖动的时候,他的响应就可能变慢,这个时候,前端服务就会将他的请求分配给其他的机器。如果分配的很多,就有可能造成某些机器响应也变慢。然后又将这些机器的请求分配给另外的……如此这般,那些勤勤恳恳的机器终将被这些请求压死。

    所以,更好的方案,将两者结合。一方面静态配置好承载负荷的一个范围,超过最大的就扔掉;另一方面动态的监控后端机器的响应情况,做小范围的请求调整。

    2、均衡算法
    均衡算法主要解决将请求如何发送给后端服务。经常会用到以下四种算法:随机(random)、轮训(round-robin)、一致哈希(consistent-hash)和主备(master-slave)。

    比如:我们配置nginx的时候,经常会用到这样的配置:
    upstream simplemain.com {
    ip_hash;
    server 192.168.1.100:8080;
    server 192.168.1.101:8080;
    }

    这个配置就是按ip做hash算法,然后分配给对应的机器。

    接下来我们详细的看看这几个算法是如何来工作的。

    A、随机算法。
    顾名思义,就是在选取后端服务器的时候,采用随机的一个方法。在具体讲这个算法之前,我们先来看看一个例子,我们写如下C语言的代码:
    #include
    #include

    int main()
    {
    srand(1234);
    printf("%d\n", rand());
    return 0;
    }

    我们用srand函数给随机算法播了一个1234的种子,然后再去随机数,接着我们编译和链接gcc rand.c -o rand

    在计算机算法中通常采用的是一种伪随机的算法。我们会先给算法放一个种子,然后根据一定的算法将种子拿来运算,最后得到一个所谓的随机值。我们将上面的算法做一个小小的改动,将1234改为time(NULL),效果就不一样了:
    #include
    #include
    #include

    int main()
    {
    srand((int)time(NULL));
    printf("%d\n", rand());
    return 0;
    }

    time这个函数会获取当前秒数,然后将这个值作为种子放入到伪随机函数,从而计算出的伪随机值会因为秒数不一样而不同。

    具体来看一下java源代码里如何来实现的。我们常用的java随机类是java.util.Random这个类。他提供了两个构造函数:
    public Random() {
    this(seedUniquifier() ^ System.nanoTime());
    }

    public Random(long seed) {
    if (getClass() == Random.class)
    this.seed = new AtomicLong(initialScramble(seed));
    else {
    //subclass might have overriden setSeed
    this.seed = new AtomicLong();
    setSeed(seed);
    }
    }

    我们可以看到,这个类也是需要一个种子。然后我们获取随机值的时候,会调用next函数:
    protectedint next(int bits) {
    long oldseed, nextseed;
    AtomicLong seed = this.seed;
    do {
    oldseed = seed.get();
    nextseed = (oldseed * multiplier + addend) & mask;
    } while (!seed.compareAndSet(oldseed, nextseed));
    return (int)(nextseed>>> (48 - bits));
    }
    这个函数会利用种子进行一个运算,然后得到随机值。所以,我们看起来随机的一个算法,实际上跟时间是相关的,跟算法的运算是相关的。并不是真正的随机。

    好了,话归正题,我们用随机算法怎么样做请求均衡呢?比如,还是我们之前那个nginx配置:
    upstream simplemain.com {
    server 192.168.1.100:8080 weight=30;
    server 192.168.1.101:8080 weight=70;
    }
    我们有两台机器,分别需要承载30%和70%的压力,那么我们算法就可以这样来写(伪代码):
    bool res = abs(rand()) % 100 < 30
    这句话是什么意思呢?
    1、我们先产生一个伪随机数:rand()
    2、将这个伪随机数的转化为非负数: abs(rand())
    3、将这个数取模100,将值转化到[0,100)的半开半闭区间:abs(rand()) % 100
    4、看这个数是否落入了前30个数的区间[0,30):abs(rand()) % 100 < 30
    如果随机是均匀的话,他们落到[0,100)这个区间里一定是均匀的,所以只要在[0,30)这个区间里,我们就分给第一台机器,否则就分给第二台机器。

    B、轮训算法。
    轮训算法就像是挨个数数一样(123-123-123……),一个个的轮着来。
    upstream simplemain.com {
    server 192.168.1.100:8080 weight=30;
    server 192.168.1.101:8080 weight=70;
    }
    还是这个配置,我们就可以这样来做(为了方便,我们把第一台机器叫做A,第二台叫做B):
    1、我们先给两台机器做个排序的数组:array = [ABBABBABBB]
    2、我们用一个计数指针来标明现在数组的位置:idx = 3
    3、当一个请求来的时候,我们就把指针对应的机器选取出来,并且指针加一,挪到下一个位置。
    这样,十个请求,我们就可以保证有3个一定是A,7个一定是B。

    轮训算法在实际中也有使用,但是因为要维护idx指针,所以是有状态的。我们经常会用随机算法取代。

    C、一致哈希算法。
    Hash要解决的是两个问题:
    1、散列的不变性:就是同一个请求(比如:同一个用户id)尽量的落入到一台机器,不要因为时间等其他原因,落入到不同的机器上了;
    2、异常以后的分散性:当某些机器坏掉(或者增加机器),原来落到同一台机器的请求(比如:用户id为1,101,201),尽量分散到其他机器,不要都落入其他某一台机器。这样对于系统的冲击和影响最小。

    有了以上两个原则,这个代码写起来就很好写了。比如我们可以这样做(假定请求的用户id=100):
    1、我们将这个id和所有的服务的IP和端口拼接成一个字符串:
    str1 = "192.168.1.100:8080-100"
    str2 = "192.168.1.101:8080-100"

    2、对这些字符串做hash,然后得到对应的一些整数:
    iv1 = hash(str1)
    iv2 = hash(str2)

    3、对这些整数做从大到小的排序,选出第一个。

    好,现在来看看我们的这个算法是否符合之前说的两个原则。
    1、散列的不变性:很明显,这个算法是可重入的,只要输入一样,结果肯定一样;
    2、异常以后的分散性:当某台机器坏掉以后,原本排到第一的这些机器就被第二位的取代掉了。只要我们的hash算法是分散的,那么得到排到第二位的机器就是分散的。
    D、主备算法。
    核心的思想是将请求尽量的放到某个固定机器的服务上(注意这里是尽量),而其他机器的服务则用来做备份,如果出现问题就切换到另外的某台机器的服务上。

    本回答被题主选为最佳回答 , 对您是否有帮助呢?
    评论
查看更多回答(6条)

报告相同问题?

悬赏问题

  • ¥15 flink cdc无法实时同步mysql数据
  • ¥100 有人会搭建GPT-J-6B框架吗?有偿
  • ¥15 求差集那个函数有问题,有无佬可以解决
  • ¥15 【提问】基于Invest的水源涵养
  • ¥20 微信网友居然可以通过vx号找到我绑的手机号
  • ¥15 寻一个支付宝扫码远程授权登录的软件助手app
  • ¥15 解riccati方程组
  • ¥15 使用rabbitMQ 消息队列作为url源进行多线程爬取时,总有几个url没有处理的问题。
  • ¥15 Ubuntu在安装序列比对软件STAR时出现报错如何解决
  • ¥50 树莓派安卓APK系统签名