@[TOC]
一、前言
前置Ribbon相关文章：
- 【云原生&微服务一】SpringCloud之Ribbon实现负载均衡详细案例（集成Eureka、Ribbon）
- 【云原生&微服务二】SpringCloud之Ribbon自定义负载均衡策略（含Ribbon核心API）
- 【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）
- 【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）
- 【微服务五】Ribbon随机负载均衡算法如何实现的
- 【微服务六】Ribbon负载均衡策略之轮询(RoundRobinRule)、重试(RetryRule)
- 【微服务七】Ribbon负载均衡策略之BestAvailableRule
我们聊了以下问题：
- 为什么给RestTemplate类上加上了@LoadBalanced注解就可以使用Ribbon的负载均衡？
- SpringCloud是如何集成Ribbon的？
- Ribbon如何作用到RestTemplate上的？
- 如何获取到Ribbon的ILoadBalancer？
- ZoneAwareLoadBalancer（属于ribbon）如何与eureka整合，通过eureka client获取到对应注册表?
- ZoneAwareLoadBalancer如何持续从Eureka中获取最新的注册表信息?
- 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？- Ribbon如何发送网络HTTP请求？
- Ribbon如何用IPing机制动态检查服务实例是否存活？
- 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：
- 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；- 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；
- 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：
- 实例A：
360 - 10 + 0 = 350（weightSoFar = 0）- 实例B：
360 - 50 + 350 = 660（weightSoFar = 350）- 实例C：
360 - 100 + 660 = 920（weightSoFar = 660）- 实例D：
360 - 200 + 920 = 1080（weightSoFar = 920）
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：
- 每个实例的区间下限是上一个实例的区间上限;
- 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：
- 实例A：
[0，350]（weightSoFar = 0）- 实例B：
(350, 660]（weightSoFar = 350）- 实例C：
(660, 920]（weightSoFar = 660）- 实例D：
(920, 1080]（weightSoFar = 920）
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：
- 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；- 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：
- 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；
- 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；
