常見負載均衡演算法

輪詢很容易實現，將請求按順序輪流分配到後台伺服器上，均衡的對待每一台伺服器，而不關心伺服器實際的連線數和當前的系統負載。這裡通過例項化乙個serviceweightmap的map變數來伺服器位址和權重的對映，以此來模擬輪詢演算法的實現，其中設定的權重值在以後的加權演算法中會使用到，這裡先不做過多介紹，該變數初始化如下：

private static mapserviceweightmap = new hashmap();
static

private static integer pos = 0;
public static string testroundrobin() 
server = keylist.get(pos);
pos++;
}return server;
}

由於serviceweightmap中的位址列表是動態的，隨時可能由機器上線、下線或者宕機，因此，為了避免可能出現的併發問題，比如陣列越界，通過在方法內新建區域性變數servermap，先將域變數拷貝到執行緒本地，避免被其他執行緒修改。這樣可能會引入新的問題，當被拷貝之後，serviceweightmap的修改將無法被servermap感知，也就是說，在這一輪的選擇伺服器中，新增伺服器或者下線伺服器，負載均衡演算法中將無法獲知。新增比較好處理，而當伺服器下線或者宕機時，服務消費者將有可能訪問不到不存在的位址。因此，在服務消費者服務端需要考慮該問題，並且進行相應的容錯處理，比如重新發起一次呼叫。

對於當前輪詢的位置變數pos，為了保證伺服器選擇的順序性，需要對其在操作時加上synchronized鎖，使得同一時刻只有乙個執行緒能夠修改pos的值，否則當pos變數被併發修改，將無法保證伺服器選擇的順序性，甚至有可能導致keylist陣列越界。

使用輪詢策略的目的是，希望做到請求轉移的絕對均衡，但付出的代價效能也是相當大的。為了保證pos變數的併發互斥，引入了重量級悲觀鎖synchronized，將會導致該輪詢**的併發吞吐量明顯下降。

通過系統隨機函式，根據後台伺服器列表的大小值來隨機選取其中一台進行訪問。由概率概率統計理論可以得知，隨著呼叫量的增大，其實際效果越來越接近於平均分配流量到後台的每一台伺服器，也就是輪詢法的效果。隨機演算法的部分關鍵**如下：

public static string testrandom()

跟前面類似，為了避免併發的問題，需要將serviceweightmap拷貝到servermap中。通過random的nextint函式，取到0～keylist.size之間的隨機值，從而從伺服器列表中隨機取到一台伺服器的位址，進行返回。根據概率統計理論，吞吐量越大，隨機演算法的效果越接近於輪詢演算法的效果。

源位址雜湊法的思想是根據服務消費者請求客戶端的ip位址，通過雜湊函式計算得到乙個雜湊值，將此雜湊值和伺服器列表的大小進行取模運算，得到的結果便是要訪問的伺服器位址的序號。採用源位址雜湊法進行負載均衡，相同的ip客戶端，如果伺服器列表不變，將對映到同乙個後台伺服器進行訪問。源位址雜湊法部分關鍵**如下：

public static string testconsumerhash(string remoteip)

不同的後台伺服器可能機器的配置和當前系統的負載並不相同，因此它們的抗壓能力也不一樣。跟配置高、負載低的機器分配更高的權重，使其能處理更多的請求，而配置低、負載高的機器，則給其分配較低的權重，降低其系統負載，加權輪詢很好的處理了這一問題，並將請求按照順序且根據權重分配給後端。加權輪詢法部分關鍵**如下：

public static string testweightroundrobin() 
server = serverlist.get(pos);
pos++;
}return server;
}

與輪詢演算法類似，只是在獲取伺服器位址之前增加了一段權重計算**，根據權重的大小，將位址重複增加到伺服器位址列表中，權重越大，該伺服器每輪所獲得的請求數量越多。

加權隨機法跟加權輪詢法類似，根據後台伺服器不同的配置和負載情況，配置不同的權重。不同的是，它是按照權重來隨機選取伺服器的，而非順序。部分關鍵**如下：

public static string testweightrandom() {

// 重新建立乙個map，避免出現由於伺服器上線和下線導致的併發問題

mapservermap = new hashmap();

servermap.putall(serviceweightmap);

//取得ip位址list

setkeyset = servermap.keyset();

listserverlist = new arraylist();

iteratorit = keyset.iterator();

while (it.hasnext()) {

string server = it.next();

integer weight = servermap.get(server);

for (int i=0; i前面我們費盡心思來實現服務消費者請求次數分配的均衡，我們知道這樣做是沒錯的，可以為後端的多台伺服器平均分配工作量，最大程度地提高伺服器的利用率，但是，實際上，請求次數的均衡並不代表負載的均衡。因此我們需要介紹最小連線數法，最小連線數法比較靈活和智慧型，由於後台伺服器的配置不盡相同，對請求的處理有快有慢，它正是根據後端伺服器當前的連線情況，動態的選取其中當前積壓連線數最少的一台伺服器來處理當前請求，盡可能的提高後台伺服器利用率，將負載合理的分流到每一台伺服器

常見負載均衡演算法

常見負載均衡演算法

常見負載均衡演算法

常見負載均衡演算法

相關推薦