Java负载均衡算法的作用是什么
来源：亿速云
2024-04-08 21:09:35
0浏览
收藏
偷偷努力，悄无声息地变强，然后惊艳所有人！哈哈，小伙伴们又来学习啦~今天我将给大家介绍《Java负载均衡算法的作用是什么》，这篇文章主要会讲到等等知识点，不知道大家对其都有多少了解，下面我们就一起来看一吧！当然，非常希望大家能多多评论，给出合理的建议，我们一起学习，一起进步！
前言
负载均衡在Java领域中有着广泛深入的应用，不管是大名鼎鼎的nginx，还是微服务治理组件如dubbo，feign等，负载均衡的算法在其中都有着实际的使用
负载均衡的核心思想在于其底层的算法思想，比如大家熟知的算法有 轮询，随机，最小连接，加权轮询等，在现实中不管怎么配置，都离不开其算法的核心原理，下面将结合实际代码对常用的负载均衡算法做一些全面的总结。
轮询算法
轮询即排好队，一个接一个的轮着来。从数据结构上，有一个环状的节点，节点上面布满了服务器，服务器之间首尾相连，带有顺序性。当请求过来的时候，从某个节点的服务器开始响应，那么下一次请求再来，就依次由后面的服务器响应，由此继续
按照这个描述，我们很容易联想到，可以使用一个双向(双端)链表的数据结构来模拟实现这个算法
1、定义一个server类，用于标识服务器中的链表节点
class Server {
Server prev;
Server next;
String name;
public Server(String name) {
this.name = name;
}
}2、核心代码
/**
* 轮询
*/
public class RData {
private static Logger logger = LoggerFactory.getLogger(RData.class);
//标识当前服务节点，每次请求过来时，返回的是current节点
private Server current;
public RData(String serverName) {
logger.info("init servers : " + serverName);
String[] names = serverName.split(",");
for (int i = 0; i < names.length; i++) {
Server server = new Server(names[i]);
//当前为空，说明首次创建
if (current == null) {
//current就指向新创建server
this.current = server;
//同时，server的前后均指向自己
current.prev = current;
current.next = current;
} else {
//说明已经存在机器了，则按照双向链表的功能，进行节点添加
addServer(names[i]);
}
}
}
//添加机器节点
private void addServer(String serverName) {
logger.info("add new server : " + serverName);
Server server = new Server(serverName);
Server next = this.current.next;
//在当前节点后插入新节点
this.current.next = server;
server.prev = this.current;
//由于是双向链表，修改下一节点的prev指针
server.next = next;
next.prev = server;
}
//机器节点移除，修改节点的指向即可
private void removeServer() {
logger.info("remove current = " + current.name);
this.current.prev.next = this.current.next;
this.current.next.prev = this.current.prev;
this.current = current.next;
}
//请求。由当前节点处理
private void request() {
logger.info("handle server is : " + this.current.name);
this.current = current.next;
}
public static void main(String[] args) throws Exception {
//初始化两台机器
RData rr = new RData("192.168.10.0,192.168.10.1");
new Thread(new Runnable() {
@Override
public void run() {
while (true) {
try {
Thread.sleep(500);
} catch (InterruptedException e) {
e.printStackTrace();
}
rr.request();
}
}
}).start();
//3s后，3号机器加入清单
Thread.currentThread().sleep(2000);
rr.addServer("192.168.10.3");
//3s后，当前服务节点被移除
Thread.currentThread().sleep(3000);
rr.removeServer();
}
}结合注释对代码进行理解，这段代码解释开来就是考察对双端链表的底层能力，操作链表结构时，最重要的就是要搞清在节点的添加和移除时，理清节点的前后指向，然后再理解这段代码时就没有难度了，下面运行下程序
轮询算法优缺点小结
实现简单，机器列表可自由加减，节点寻找时间复杂度为o(1)
无法针对节点做偏向性定制处理，节点处理能力强弱无法做区分对待，比如某些处理能力强配置高的服务器更希望承担更多的请求这个就做不到
随机算法
从可提供的服务器列表中随机取一个提供响应。
既然是随机存取的场景，很容易想到使用数组可以更高效的通过下标完成随机读取，这个算法的模拟比较简单，下面直接上代码
/**
* 随机
*/
public class RandomMath {
private static List ips;
public RandomMath(String nodeNames) {
System.out.println("init servers : " + nodeNames);
String[] nodes = nodeNames.split(",");
//初始化服务器列表，长度取机器数
ips = new ArrayList<>(nodes.length);
for (String node : nodes) {
ips.add(node);
}
}
//请求处理
public void request() {
Random ra = new Random();
int i = ra.nextInt(ips.size());
System.out.println("the handle server is :" + ips.get(i));
}
//添加节点，注意，添加节点可能会造成内部数组扩容
void addnode(String nodeName) {
System.out.println("add new node : " + nodeName);
ips.add(nodeName);
}
//移除
void remove(String nodeName) {
System.out.println("remove node is: " + nodeName);
ips.remove(nodeName);
}
public static void main(String[] args) throws Exception {
RandomMath rd = new RandomMath("192.168.10.1,192.168.10.2,192.168.10.3");
//使用一个线程，模拟不间断的请求
new Thread(new Runnable() {
@Override
public void run() {
while (true) {
try {
Thread.sleep(1000);
} catch (InterruptedException e) {
e.printStackTrace();
}
rd.request();
}
}
}).start();
//间隔3秒之后，添加一台新的机器
Thread.currentThread().sleep(3000);
rd.addnode("192.168.10.4");
//3s后，当前服务节点被移除
Thread.currentThread().sleep(3000);
rd.remove("192.168.10.2");
}
} 运行代码观察结果：
随机算法小结
随机算法简单高效
适合一个服务器集群中，各个机器配置差不多的情况，和轮询一样，无法根据各个服务器本身的配置做一些定向的区分对待
加权随机算法
在随机选择的基础上，机器仍然是被随机被筛选，但是做一组加权值，根据权值不同，机器列表中的各个机器被选中的概率不同，从这个角度理解，可认为随机是一种等权值的特殊情况
设计思路依然相同，只是每个机器需要根据权值大小，生成不同数量的节点，节点排队后，随机获取。这里的数据结构主要涉及到随 机的读取，所以优选为数组
/**
* 加权随机
*/
public class WeightRandom {
ArrayList list;
public WeightRandom(String nodes) {
String[] ns = nodes.split(",");
list = new ArrayList<>();
for (String n : ns) {
String[] n1 = n.split(":");
int weight = Integer.valueOf(n1[1]);
for (int i = 0; i < weight; i++) {
list.add(n1[0]);
}
}
}
public void request() {
//下标，随机数，注意因子
int i = new Random().nextInt(list.size());
System.out.println("the handle server is : " + list.get(i));
}
public static void main(String[] args) throws Exception{
WeightRandom wr = new WeightRandom("192.168.10.1:2,192.168.10.2:1");
for (int i = 0; i < 9; i++) {
Thread.sleep(2000);
wr.request();
}
}
} 
我们不妨将10.1的权重值再调的大点，比如调为3，再次运行一下，这个效果就更明显了
加权随机算法小结
为随机算法的升级和优化
一定程度上解决了服务器节点偏向问题，可以通过指定权重来提升某个机器的偏向
加权轮询算法
在前面的轮询算法中我们看到，轮询只是机械的旋转不断在双向链表中进行移动，而加权轮询则弥补了所有机器被一视同仁的缺点。在轮询的基础上，服务器初始化 时，各个机器携带一个权重值
加权轮询的算法思想不是很好理解，下面我以一个图进行说明：
加权轮询算法的初衷是希望通过这样一套算法保证整体的请求平滑性，从上图中也可以发现，经过几轮的循环之后，由可以回到最初的结果，而且在某一个轮询中，不同机器根据权重值的不同，请求被读取的概率也会不同
实现思路和轮询差不多，整体仍然是链表结构，不同的是，每个具体的节点需加上权重值属性
1、节点属性类
class NodeServer {
int weight;
int currentWeight;
String ip;
public NodeServer(String ip, int weight) {
this.ip = ip;
this.weight = weight;
this.currentWeight = 0;
}
@Override
public String toString() {
return String.valueOf(currentWeight);
}
}2、核心代码
/**
* 加权轮询
*/
public class WeightRDD {
//所有机器节点列表
ArrayList list;
//总权重
int total;
//机器节点初始化 ， 格式：a#4,b#2,c#1，实际操作时可根据自己业务定制
public WeightRDD(String nodes) {
String[] ns = nodes.split(",");
list = new ArrayList<>(ns.length);
for (String n : ns) {
String[] n1 = n.split("#");
int weight = Integer.valueOf(n1[1]);
list.add(new NodeServer(n1[0], weight));
total += weight;
}
}
public NodeServer getCurrent() {
for (NodeServer node : list) {
node.currentWeight += node.weight;
}
NodeServer current = list.get(0);
int i = 0;
//从列表中获取当前的currentWeight最大的那个作为待响应的节点
for (NodeServer node : list) {
if (node.currentWeight > i) {
i = node.currentWeight;
current = node;
}
}
return current;
}
//请求，每次得到请求的节点之后，需要对当前的节点的currentWeight值减去 sumWeight
public void request() {
NodeServer node = this.getCurrent();
System.out.print(list.toString() + "‐‐‐");
System.out.print(node.ip + "‐‐‐");
node.currentWeight -= total;
System.out.println(list);
}
public static void main(String[] args) throws Exception {
WeightRDD wrr = new WeightRDD("192.168.10.1#4,192.168.10.2#2,192.168.10.3#1");
//7次执行请求，观察结果
for (int i = 0; i < 7; i++) {
Thread.currentThread().sleep(2000);
wrr.request();
}
}
} 从打印输出结果来看，也是符合预期效果的，具有更大权重的机器，在轮询中被请求到的可能性更大
源地址hash算法
即对当前访问的ip地址做一个hash值，相同的key将会被路由到同一台机器去。常见于分布式集群环境下，用户登录 时的请求路由和会话保持
源地址hash算法可以有效解决在跨地域机器部署情况下请求响应的问题，这一特点使得源地址hash算法具有某些特殊的应用场景
该算法的核心逻辑是需要自定义一个能结合实际业务场景的hash算法，从而确保请求能够尽可能达到源IP机器进行处理
源地址hash算法的实现比较简单，下面直接上代码
/**
* 源地址请求hash
*/
public class SourceHash {
private static List ips;
//节点初始化
public SourceHash(String nodeNames) {
System.out.println("init list : " + nodeNames);
String[] nodes = nodeNames.split(",");
ips = new ArrayList<>(nodes.length);
for (String node : nodes) {
ips.add(node);
}
}
//添加节点
void addnode(String nodeName) {
System.out.println("add new node : " + nodeName);
ips.add(nodeName);
}
//移除节点
void remove(String nodeName) {
System.out.println("remove one node : " + nodeName);
ips.remove(nodeName);
}
//ip进行hash
private int hash(String ip) {
int last = Integer.valueOf(ip.substring(ip.lastIndexOf(".") + 1, ip.length()));
return last % ips.size();
}
//请求模拟
void request(String ip) {
int i = hash(ip);
System.out.println("req ip : " + ip + "‐‐>" + ips.get(i));
}
public static void main(String[] args) throws Exception {
SourceHash hash = new SourceHash("192.168.10.1,192.168.10.2");
for (int i = 1; i < 10; i++) {
String ip = "192.168.1." + i;
hash.request(ip);
}
Thread.sleep(3000);
System.out.println();
hash.addnode("192.168.10.3");
for (int i = 1; i < 10; i++) {
String ip = "192.168.1." + i;
hash.request(ip);
}
Thread.sleep(3000);
System.out.println();
hash.remove("192.168.10.1");
for (int i = 1; i < 10; i++) {
String ip = "192.168.1." + i;
hash.request(ip);
}
}
} 请关注核心的方法 hash()，我们模拟9个随机请求的IP，下面运行下这段程序，观察输出结果
源地址hash算法小结
可以有效匹配同一个源IP从而定向到特定的机器处理
如果hash算法不够合理，可能造成集群中某些机器压力非常大
未能很好的解决新节点加入之后打破原来的请求平衡（一致性hash可解决）
最小请求数算法
即通过统计当前机器的请求连接数，选择当前连接数最少的机器去响应新请求。前面的各种算法是基于请求的维度，而最小 连接数则是站在机器的连接数量维度
从描述来看，实现这种算法需要定义一个链接表记录机器的节点IP，和机器连接数量的计数器
而为了比较并选择出最小的连接数的机器，内部采用最小堆做排序处理，请求响应时取堆顶节点即是 最小连接数（可以参考最小顶堆算法）
如图所示，所有机器列表按照类二叉树的结构进行组装，组装的依据按照不同节点的访问次数，某次请求过来时，选择堆顶的元素（待响应的机器）返回，然后堆顶机器的请求数量加1，然后通过算法将这个堆顶的元素下沉，把请求数量最小的元素上升为堆顶，以便下次响应最新的请求
1、机器节点
该类记录了节点的IP以及连接数
class Node {
String name;
AtomicInteger count = new AtomicInteger(0);
public Node(String name) {
this.name = name;
}
public void inc() {
count.getAndIncrement();
}
public int get() {
return count.get();
}
@Override
public String toString() {
return name + "=" + count;
}
}2、核心代码
/**
* 最小连接数算法
*/
public class LeastRequest {
Node[] nodes;
//节点初始化
public LeastRequest(String ns) {
String[] ns1 = ns.split(",");
nodes = new Node[ns1.length + 1];
for (int i = 0; i < ns1.length; i++) {
nodes[i + 1] = new Node(ns1[i]);
}
}
///节点下沉，与左右子节点比对，选里面最小的交换
//目的是始终保持最小堆的顶点元素值最小【结合图理解】
//ipNum:要下沉的顶点序号
public void down(int ipNum) {
//顶点序号遍历，只要到1半即可，时间复杂度为O(log2n)
while (ipNum << 1 < nodes.length) {
int left = ipNum << 1;
//右子，左+1即可
int right = left + 1;
int flag = ipNum;
//标记，指向 本节点，左、右子节点里最小的，一开始取自己
if (nodes[left].get() < nodes[ipNum].get()) {
flag = left;
}
//判断右子
if (right < nodes.length && nodes[flag].get() > nodes[right].get()) {
flag = right;
}
//两者中最小的与本节点不相等，则交换
if (flag != ipNum) {
Node temp = nodes[ipNum];
nodes[ipNum] = nodes[flag];
nodes[flag] = temp;
ipNum = flag;
} else {
//否则相等，堆排序完成，退出循环即可
break;
}
}
}
//请求，直接取最小堆的堆顶元素就是连接数最少的机器
public void request() {
System.out.println("‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐");
//取堆顶元素响应请求
Node node = nodes[1];
System.out.println(node.name + " accept");
//连接数加1
node.inc();
//排序前的堆
System.out.println("ip list before:" + Arrays.toString(nodes));
//堆顶下沉，通过算法将堆顶下层到合适的位置
down(1);
//排序后的堆
System.out.println("ip list after:" + Arrays.toString(nodes));
}
public static void main(String[] args) {
//假设有7台机器
LeastRequest lc = new LeastRequest("10.1,10.2,10.3,10.4,10.5,10.6,10.7");
//模拟10个请求连接
for (int i = 0; i < 10; i++) {
lc.request();
}
}
}请关注 down 方法，该方法是实现每次请求之后，将堆顶元素进行移动的关键实现，运行这段代码，结合输出结果进行理解
文中关于java的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《Java负载均衡算法的作用是什么》文章吧，也可关注golang学习网公众号了解相关技术文章。
版本声明
本文转载于：亿速云 如有侵犯，请联系study_golang@163.com删除
顺丰、京东前二，国家邮政局发布 2023 年快递服务满意度调查和时限测试结果
- 上一篇
- 顺丰、京东前二，国家邮政局发布 2023 年快递服务满意度调查和时限测试结果
- 下一篇
- Golang：这两种初始化结构体方式的区别
查看更多
最新文章
-
- 文章 · java教程 | 9小时前 |
- Java实例化详解：概念及操作步骤
- 234浏览 收藏
-
- 文章 · java教程 | 9小时前 |
- Java文件复制方法及文件流标准写法
- 252浏览 收藏
-
- 文章 · java教程 | 15小时前 |
- Java还是C？程序员学习优先级建议
- 129浏览 收藏
-
- 文章 · java教程 | 15小时前 | throws try-catch 检查型异常 非检查型异常 RuntimeException
- Java异常详解：检查型与非检查型区别
- 314浏览 收藏
-
- 文章 · java教程 | 17小时前 |
- Java中main方法为何用void？
- 290浏览 收藏
-
- 文章 · java教程 | 19小时前 | java 异常处理 error CheckedException UncheckedException
- Java异常类型详解与体系结构解析
- 350浏览 收藏
-
- 文章 · java教程 | 20小时前 |
- Java文件复制方法与API对比详解
- 466浏览 收藏
-
- 文章 · java教程 | 20小时前 |
- Java必备知识点详解，体系结构全解析
- 131浏览 收藏
-
- 文章 · java教程 | 21小时前 | 字符编码 UTF-8 GBK InputStreamReader OutputStreamWriter
- Java中文乱码处理：多编码解决方案
- 446浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案，代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景，打造一站式知识长龙服务，适合有JS基础的同学学习。
- 542次学习
-
- GO语言核心编程课程
- 本课程采用真实案例，全面具体可落地，从理论到实践，一步一步将GO核心编程技术、编程思想、底层实现融会贯通，使学习者贴近时代脉搏，做IT互联网时代的弄潮儿。
- 508次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信：Le-studyg；在课程中，我们将首先介绍MySQL8的新特性，包括性能优化、安全增强、新数据类型等，帮助学生快速熟悉MySQL8的最新功能。接着，我们将深入解析MySQL的网络通信机制，包括协议、连接管理、数据传输等，让
- 497次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网，分为导航，轮播，关于我们，成功案例，服务流程，团队介绍，数据部分，公司动态，底部信息等内容区块。网站整体采用CSSGrid布局，支持响应式，有流畅过渡和展现动画。
- 484次学习
查看更多
AI推荐
-
- PPTFake答辩PPT生成器
- PPTFake答辩PPT生成器，专为答辩准备设计，极致高效生成PPT与自述稿。智能解析内容，提供多样模板，数据可视化，贴心配套服务，灵活自主编辑，降低制作门槛，适用于各类答辩场景。
- 21次使用
-
- Lovart
- SEO摘要探索Lovart AI，这款专注于设计领域的AI智能体，通过多模态模型集成和智能任务拆解，实现全链路设计自动化。无论是品牌全案设计、广告与视频制作，还是文创内容创作，Lovart AI都能满足您的需求，提升设计效率，降低成本。
- 20次使用
-
- 美图AI抠图
- 美图AI抠图，依托CVPR 2024竞赛亚军技术，提供顶尖的图像处理解决方案。适用于证件照、商品、毛发等多场景，支持批量处理，3秒出图，零PS基础也能轻松操作，满足个人与商业需求。
- 33次使用
-
- PetGPT
- SEO摘要PetGPT 是一款基于 Python 和 PyQt 开发的智能桌面宠物程序，集成了 OpenAI 的 GPT 模型，提供上下文感知对话和主动聊天功能。用户可高度自定义宠物的外观和行为，支持插件热更新和二次开发。适用于需要陪伴和效率辅助的办公族、学生及 AI 技术爱好者。
- 34次使用
-
- 可图AI图片生成
- 探索快手旗下可灵AI2.0发布的可图AI2.0图像生成大模型，体验从文本生成图像、图像编辑到风格转绘的全链路创作。了解其技术突破、功能创新及在广告、影视、非遗等领域的应用，领先于Midjourney、DALL-E等竞品。
- 56次使用
查看更多
相关文章
-
- 提升Java功能开发效率的有力工具：微服务架构
- 2023-10-06 501浏览
-
- 掌握Java海康SDK二次开发的必备技巧
- 2023-10-01 501浏览
-
- 如何使用java实现桶排序算法
- 2023-10-03 501浏览
-
- Java开发实战经验：如何优化开发逻辑
- 2023-10-31 501浏览
-
- 如何使用Java中的Math.max()方法比较两个数的大小？
- 2023-11-18 501浏览
