作者：xybaby；
原文：http://www.cnblogs.com/xybaby/p/7867735.html

古人云，不患寡而患不均。

在計算機的世界，這就是大家耳熟能詳的負載均衡（load balancing），所謂負載均衡，就是說如果一組計算機節點（或者一組進程）提供相同的（同質的）服務，那麼對服務的請求就應該均勻的分攤到這些節點上。負載均衡的前提一定是“provide a single Internet service from multiple servers”， 這些提供服務的節點被稱之為server farm、server pool或者backend servers。

這裡的服務是廣義的，可以是簡單的計算，也可能是數據的讀取或者存儲。負載均衡也不是新事物，這種思想在多核CPU時代就有了，只不過在分佈式系統中，負載均衡更是無處不在，這是分佈式系統的天然特性決定的，分佈式就是利用大量計算機節點完成單個計算機無法完成的計算、存儲服務，既然有大量計算機節點，那麼均衡的調度就非常重要。

負載均衡的意義在於，讓所有節點以最小的代價、最好的狀態對外提供服務，這樣系統吞吐量最大，性能更高，對於用戶而言請求的時間也更小。而且，負載均衡增強了系統的可靠性，最大化降低了單個節點過載、甚至crash的概率。不難想象，如果一個系統絕大部分請求都落在同一個節點上，那麼這些請求響應時間都很慢，而且萬一節點降級或者崩潰，那麼所有請求又會轉移到下一個節點，造成雪崩。

事實上，網上有很多文章介紹負載均衡的算法，大多都是大同小異。本文更多的是自己對這些算法的總結與思考。

一分鐘瞭解負載均衡的一切

本章節的標題和內容都來自一分鐘瞭解負載均衡的一切這一篇文章。當然，原文的標題是誇張了點，不過文中列出了在一個大型web網站中各層是如何用到負載均衡的，一目瞭然。

常見互聯網分佈式架構如上，分為客戶端層、反向代理nginx層、站點層、服務層、數據層。可以看到，每一個下游都有多個上游調用，只需要做到，每一個上游都均勻訪問每一個下游，就能實現“將請求/數據【均勻】分攤到多個操作單元上執行”。

(1)【客戶端層】到【反向代理層】的負載均衡，是通過“DNS輪詢”實現的；

(2)【反向代理層】到【站點層】的負載均衡，是通過“nginx”實現的；

(3)【站點層】到【服務層】的負載均衡，是通過“服務連接池”實現的；

(4)【數據層】的負載均衡，要考慮“數據的均衡”與“請求的均衡”兩個點，常見的方式有“按照範圍水平切分”與“hash水平切分”。

數據層的負載均衡，在我之前的《帶著問題學習分佈式系統之數據分片》中有詳細介紹。

算法衡量

在我看來，當我們提到一個負載均衡算法，或者具體的應用場景時，應該考慮以下問題：

第一，是否意識到不同節點的服務能力是不一樣的，比如CPU、內存、網絡、地理位置；

第二，是否意識到節點的服務能力是動態變化的，高配的機器也有可能由於一些突發原因導致處理速度變得很慢；

第三，是否考慮將同一個客戶端，或者說同樣的請求分發到同一個處理節點，這對於“有狀態”的服務非常重要，比如session，比如分佈式存儲；

第四，誰來負責負載均衡，即誰充當負載均衡器（load balancer），balancer本身是否會成為瓶頸。

下面會結合具體的算法來考慮這些問題。

負載均衡算法

輪詢算法（round-robin）

思想很簡單，就是提供同質服務的節點逐個對外提供服務，這樣能做到絕對的均衡。Python示例代碼如下：

SERVER_LIST = [
 '10.246.10.1',
 '10.246.10.2',
 '10.246.10.3', 

]
def round_robin(server_lst, cur = [0]):
 length = len(server_lst)
 ret = server_lst[cur[0] % length]
 cur[0] = (cur[0] + 1) % length
 return ret

可以看到，所有的節點都是以同樣的概率提供服務，即沒有考慮到節點的差異，也許同樣數目的請求，高配的機器CPU才20%，低配的機器CPU已經80%了。

加權輪詢算法（weight round-robin）

加權輪訓算法就是在輪訓算法的基礎上，考慮到機器的差異性，分配給機器不同的權重，能者多勞。注意，這個權重的分配依賴於請求的類型，比如計算密集型，那就考慮CPU、內存；如果是IO密集型，那就考慮磁盤性能。Python示例代碼如下：

WEIGHT_SERVER_LIST = {
 '10.246.10.1': 1,
 '10.246.10.2': 3,
 '10.246.10.3': 2,
}
def weight_round_robin(servers, cur = [0]):
 weighted_list = []
 for k, v in servers.iteritems():
 weighted_list.extend([k] * v)
 length = len(weighted_list)
 ret = weighted_list[cur[0] % length]
 cur[0] = (cur[0] + 1) % length
 return ret

隨機算法（random）

這個就更好理解了，隨機選擇一個節點服務，按照概率，只要請求數量足夠多，那麼也能達到絕對均衡的效果。而且實現簡單很多

def random_choose(server_lst):
 import random
 random.seed()
 return random.choice(server_lst)

加權隨機算法（random）

如同加權輪訓算法至於輪訓算法一樣，也是在隨機的時候引入不同節點的權重，實現也很類似。

def weight_random_choose(servers):
 import random
 random.seed()
 weighted_list = []
 for k, v in servers.iteritems():
 weighted_list.extend([k] * v)
 return random.choice(weighted_list)

當然，如果節點列表以及權重變化不大，那麼也可以對所有節點歸一化，然後按概率區間選擇：

def normalize_servers(servers):
 normalized_servers = {}
 total = sum(servers.values())
 cur_sum = 0
 for k, v in servers.iteritems():
 normalized_servers[k] = 1.0 * (cur_sum + v) / total
 cur_sum += v
 return normalized_servers
def weight_random_choose_ex(normalized_servers): 

 import random, operator
 random.seed()
 rand = random.random()
 for k, v in sorted(normalized_servers.iteritems(), key = operator.itemgetter(1)):
 if v >= rand:
 return k
 else:
 assert False, 'Error normalized_servers with rand %s ' % rand

哈希法（hash）

根據客戶端的IP，或者請求的“Key”，計算出一個hash值，然後對節點數目取模。好處就是，同一個請求能夠分配到同樣的服務節點，這對於“有狀態”的服務很有必要：

def hash_choose(request_info, server_lst):
 hashed_request_info = hash(request_info)
 return server_lst[hashed_request_info % len(server_lst)]

只要hash結果足夠分散，也是能做到絕對均衡的。

一致性哈希

哈希算法的缺陷也很明顯，當節點的數目發生變化的時候，請求會大概率分配到其他的節點，引發到一系列問題，比如sticky session。而且在某些情況，比如分佈式存儲，是絕對的不允許的。

為了解決這個哈希算法的問題，又引入了一致性哈希算法，簡單來說，一個物理節點與多個虛擬節點映射，在hash的時候，使用虛擬節點數目而不是物理節點數目。當物理節點變化的時候，虛擬節點的數目無需變化，只涉及到虛擬節點的重新分配。而且，調整每個物理節點對應的虛擬節點數目，也就相當於每個物理節點有不同的權重。

最少連接算法（least connection）

以上的諸多算法，要麼沒有考慮到節點間的差異（輪訓、隨機、哈希），要麼節點間的權重是靜態分配的（加權輪訓、加權隨機、一致性hash）。

考慮這麼一種情況，某臺機器出現故障，無法及時處理請求，但新的請求還是會以一定的概率源源不斷的分配到這個節點，造成請求的積壓。因此，根據節點的真實負載，動態地調整節點的權重就非常重要。當然，要獲得接節點的真實負載也不是一概而論的事情，如何定義負載，負載的收集是否及時，這都是需要考慮的問題。

每個節點當前的連接數目是一個非常容易收集的指標，因此lease connection是最常被人提到的算法。也有一些側重不同或者更復雜、更客觀的指標，比如最小響應時間（least response time）、最小活躍數（least active）等等。

一點思考

有狀態的請求　　

首先來看看“算法衡量”中提到的第三個問題：同一個請求是否分發到同樣的服務節點，同一個請求指的是同一個用戶或者同樣的唯一標示。什麼時候同一請求最好（必須）分發到同樣的服務節點呢？那就是有狀態 -- 請求依賴某些存在於內存或者磁盤的數據，比如web請求的session，比如分佈式存儲。怎麼實現呢，有以下幾種辦法：

（1）請求分發的時候，保證同一個請求分發到同樣的服務節點

這個依賴於負載均衡算法，比如簡單的輪訓，隨機肯定是不行的，哈希法在節點增刪的時候也會失效。可行的是一致性hash，以及分佈式存儲中的按範圍分段（即記錄哪些請求由哪個服務節點提供服務），代價是需要在load balancer中維護額外的數據。

（2）狀態數據在backend servers之間共享

保證同一個請求分發到同樣的服務節點，這個只是手段，目的是請求能使用到對應的狀態數據。如果狀態數據能夠在服務節點之間共享，那麼也能達到這個目的。比如服務節點連接到共享數據庫，或者內存數據庫如memcached

（3）狀態數據維護在客戶端

這個在web請求中也有使用，即cookie，不過要考慮安全性，需要加密。

關於load balancer

接下來回答第四個問題：關於load balancer，其實就是說，在哪裡做負載均衡，是客戶端還是服務端，是請求的發起者還是請求的3。具體而言，要麼是在客戶端，根據服務節點的信息自行選擇，然後將請求直接發送到選中的服務節點；要麼是在服務節點集群之前放一個集中式代理（proxy），由代理負責請求求分發。不管哪一種，至少都需要知道當前的服務節點列表這一基礎信息。

如果在客戶端實現負載均衡，客戶端首先得知道服務器列表，要麼是靜態配置，要麼有簡單接口查詢，但backend server的詳細負載信息，就不適用通過客戶端來查詢。因此，客戶端的負載均衡算法要麼是比較簡單的，比如輪訓（加權輪訓）、隨機（加權隨機）、哈希這幾種算法，只要每個客戶端足夠隨機，按照大數定理，服務節點的負載也是均衡的。要在客戶端使用較為複雜的算法，比如根據backend的實際負載，那麼就需要去額外的負載均衡服務（external load balancing service）查詢到這些信息，在grpc中，就是使用的這種辦法。

可以看到，load balancer與grpc server通信，獲得grpc server的負載等具體詳細，然後grpc client從load balancer獲取這些信息，最終grpc client直連到被選擇的grpc server。

而基於Proxy的方式是更為常見的，比如7層的Nginx，四層的F5、LVS，既有硬件路由，也有軟件分發。集中式的特點在於方便控制，而且能容易實現一些更精密，更復雜的算法。但缺點也很明顯，一來負載均衡器本身可能成為性能瓶頸；二來可能引入額外的延遲，請求一定先發到達負載均衡器，然後到達真正的服務節點。

load balance proxy對於請求的響應（response），要麼不經過proxy，如LVS；要麼經過Proxy，如Nginx。下圖是LVS示意圖（來源見水印）

而如果response也是走load balancer proxy的話，那麼整個服務過程對客戶端而言就是完全透明的，也防止了客戶端去嘗試連接後臺服務器，提供了一層安全保障！

值得注意的是，load balancer proxy不能成為單點故障（single point of failure），因此一般會設計為高可用的主從結構

其他

在文章《負載均衡算法的幾種常用方案》（鏈接：http://www.cnblogs.com/data2value/p/6107653.html）中提到，負載均衡是一種推模型，一定會選出一個服務節點，然後把請求推送過來。而換一種思路，使用消息隊列，就變成了拉模型：空閒的服務節點主動去拉取請求進行處理，各個節點的負載自然也是均衡的。消息隊列相比負載均衡好處在於，服務節點不會被大量請求沖垮，同時增加服務節點更加容易；缺點也很明顯，請求不是事實處理的。

想到另外一個例子，比如在gunicorn這種pre-fork模型中，master（gunicorn 中Arbiter）會fork出指定數量的worker進程，worker進程在同樣的端口上監聽，誰先監聽到網絡連接請求，誰就提供服務，這也是worker進程之間的負載均衡。

閱讀更多 程序員之言 的文章

關鍵字: Nginx 鏡音雙子 均衡