【云原生&微服务五】Ribbon负载均衡策略之随机ThreadLocalRandom

一、前言

在前面的Ribbon系列文章：

1. 【云原生&微服务一】SpringCloud之Ribbon实现负载均衡详细案例（集成Eureka、Ribbon）
2. 【云原生&微服务二】SpringCloud之Ribbon自定义负载均衡策略（含Ribbon核心API）
3. 【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）
4. 【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）

我们聊了以下问题：

1. 为什么给RestTemplate类上加上了@LoadBalanced注解就可以使用Ribbon的负载均衡？
2. SpringCloud是如何集成Ribbon的？
3. Ribbon如何作用到RestTemplate上的？
4. 如何获取到Ribbon的ILoadBalancer？
5. ZoneAwareLoadBalancer（属于ribbon）如何与eureka整合，通过eureka client获取到对应注册表?
6. ZoneAwareLoadBalancer如何持续从Eureka中获取最新的注册表信息?
7. 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？
8. Ribbon如何发送网络HTTP请求？
9. Ribbon如何用IPing机制动态检查服务实例是否存活？

本篇文章我们继续看Ribbon内置了哪些负载均衡策略？RandomRule负载均衡策略的算法是如何实现的？

PS：Ribbon依赖Spring Cloud版本信息如下：

<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-dependencies</artifactId>
            <version>2.3.7.RELEASE</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
        <!--整合spring cloud-->
        <dependency>
            <groupId>org.springframework.cloud</groupId>
            <artifactId>spring-cloud-dependencies</artifactId>
            <version>Hoxton.SR8</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
        <!--整合spring cloud alibaba-->
        <dependency>
            <groupId>com.alibaba.cloud</groupId>
            <artifactId>spring-cloud-alibaba-dependencies</artifactId>
            <version>2.2.5.RELEASE</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

二、Ribbon内置了哪些负载均衡算法？

1. RandomRule --> 随机选择一个Server

2. RoundRobinRule --> 轮询选择，轮询Index，选择index对应位置的Server，请求基本平摊到每个Server上。

3. WeightedResponseTimeRule --> 根据响应时间加权，响应时间越长，权重越小，被选中的可能性越低。

4. ZoneAvoidanceRule --> 综合判断Server所在Zone的性能和Server的可用性选择server，在没Zone的环境下，类似于轮询(RoundRobinRule)。默认策略

5. BestAvailableRule --> 选择一个最小的并发请求的Server，逐个考察Server，如果Server被tripped了，则跳过。

6. RetryRule --> 对选定的负载均衡策略上 重试机制，在一个配置时间段内选择Server不成功，就一直尝试使用subRule（默认是RoundRobinRule）的方式选择一个可用的Server。

7. AvailabilityFilteringRule --> 过滤掉一直连接失败的（被标记为circuit tripped的）的Server，并过滤掉那些高并发的后端Server 或者 使用一个AvailabilityPredicate来定义过滤Server的逻辑，本质上就是检查status里记录的各个Server的运行状态；其具体逻辑如下：

   先用round robin算法，轮询依次选择一台server，如果判断这个server是否是存活的、可用的，如果这台server是不可以访问的，那么就用round robin算法再次选择下一台server，依次循环往复10次，还不行，就走RoundRobin选择。

三、随机算法 --> RandomRule

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，所以我们只需要看各个IRule实现类的choose(ILoadBalancer lb, Object key)方法；

PS：allList和upList的一些疑问和解惑！

最近和一个大V聊了一下RandomRule中Server的选择，随机的下标是以allList的size为基数，而Server的选择则是拿到随机数以upList为准；当时我们考虑极端情况可能存在越界问题！

当天晚上博主又追了一下Ribbon的整个执行流程，结论如下：

1. upList和allList是Ribbon维护在自己内存的，在服务启动时会从服务注册中心把服务实例信息拉到upList和allList；
2. 后续无论是通过ping机制还是每30s从注册中心拉取全量服务实例列表，
   但凡all list发生变更，都会触发一个事件，然后修改本地内存的up list。
3. 另外默认ping机制并不会定时每10s执行，因为默认的IPing实现是DummyPing，而BaseLoadBalancer#canSkipPing()里会判断IPing实现是DummyPing则不启动Timer定时做Ping机制。
   Eureka和Ribbon整合之后，EurekaRibbonClientConfiguration（spring-cloud-netflix-eureka-client包下）类中新定义了一个IPing（NIWSDiscoveryPing），此时会启动Timer每10s做一次ping操作。

随机算法体现在RandomRule#chooseRandomInt()方法：

然而，chooseRandomInt()方法中居然使用的不是Random，而是ThreadLocalRandom，并直接使用ThreadLocalRandom#nextInt(int)方法获取某个范围内的随机值，ThreadLocalRandom是个什么东东？

1、ThreadLocalRandom详解

ThreadLocalRandom位于JUC（java.util.concurrent）包下，继承自Random。

1）为什么不用Random？

从Java1.0开始，java.util.Random就已经存在，其是一个线程安全类，多线程环境下，科通通过它获取到线程之间互不相同的随机数，其线程安全性是通过原子类型AtomicLong的变量seed + CAS实现的。

尽管Random使用 CAS 操作来更新它原子类型AtomicLong的变量seed，并且在很多非阻塞式算法中使用了非阻塞式原语，但是CAS在资源高度竞争时的表现依然糟糕。

2）ThreadLocalRandom的诞生？

JAVA7在JUC包下增加了该类，意在将它和Random结合以克服Random中的CAS性能问题；
虽然可以使用ThreadLocal<Random>来避免线程竞争，但是无法避免CAS 带来的开销；考虑到性能诞生了ThreadLocalRandom；ThreadLocalRandom不是ThreadLocal包装后的Random，而是真正的使用ThreadLocal机制重新实现的Random。

ThreadLocalRandom的核心实现细节：

1. 使用一个普通long类型的变量SEED替换Random中的AtomicLong类型的seed；
2. 不能通过构造函数创建ThreadLocalRandom实例，因为它的构造函数是私有的，要使用静态工厂ThreadLocalRandom.current()；
3. 它是CPU缓存感知式的，使用8个long虚拟域来填充64位L1高速缓存行

3）ThreadLocalRandom的错误使用场景

1> 代码示例：

package com.saint.random;

import java.util.concurrent.ThreadLocalRandom;

/**
 * @author Saint
 */
public class ThreadLocalRandomTest {

    private static final ThreadLocalRandom RANDOM =
            ThreadLocalRandom.current();

    public static void main(String[] args) {
        for (int i = 0; i < 10; i++) {
            new SonThread().start();
        }
    }

    private static class SonThread extends Thread {
        @Override
        public void run() {
            System.out.println(Thread.currentThread().getName() + " obtain random value is : " + RANDOM.nextInt(100));
        }
    }
}

2> 运行结果：

• 居然每个线程获取到的随机值都是一样的！！！

3> 运行结果分析：

上述代码中之所以每个线程获取到的随机值都是一样，因为：

1. ThreadLocalRandom 类维护了一个类单例字段，线程通过调用 ThreadLocalRandom#current() 方法来获取 ThreadLocalRandom单例对象；然后以线程维护的实例字段 threadLocalRandomSeed 为种子生成下一个随机数和下一个种子值；
2. 线程在调用 current() 方法的时候，会根据用每个线程 thread 的一个实例字段 threadLocalRandomProbe 是否为 0 来判断当前线程实例是是第一次调用随机数生成方法，进而决定是否要给当前线程初始化一个随机的 threadLocalRandomSeed 种子值。
3. 所以，如果其他线程绕过 current() 方法直接调用随机数方法（比如nextInt()），那么它的种子值就是可预测的，即一样的。

4）ThreadLocalRandom的正确使用方式

每次要获取随机数时，调用ThreadLocalRandom的正确使用方式是ThreadLocalRandom.current().nextX(int)：

public class ThreadLocalRandomTest {

    public static void main(String[] args) {
        for (int i = 0; i < 10; i++) {
            new SonThread().start();
        }
    }

    private static class SonThread extends Thread {
        @Override
        public void run() {
            System.out.println(Thread.currentThread().getName() + " obtain random value is : " + ThreadLocalRandom.current().nextInt(100));
        }
    }
}

运行结果如下：

5）ThreadLocalRandom源码解析

1> nextInt(int bound)方法获取随机值

public int nextInt(int bound) {
    if (bound <= 0)
        throw new IllegalArgumentException(BadBound);
    // 1. 使用当前种子值SEED获取新种子值，mix32()可以看到是一个扰动函数
    int r = mix32(nextSeed());
    int m = bound - 1;
    // 2. 使用新种子值获取随机数
    if ((bound & m) == 0) // power of two
        r &= m;
    else { // reject over-represented candidates
        for (int u = r >>> 1;
             u + m - (r = u % bound) < 0;
             u = mix32(nextSeed()) >>> 1)
            ;
    }
    return r;
}

当bound=100时，代码执行如下：

2> nextSeed()方法获取下一个种子值

final long nextSeed() {
    Thread t; long r; // read and update per-thread seed
    //r = UNSAFE.getLong(t, SEED) 获取当前线程中对应的SEED值
    UNSAFE.putLong(t = Thread.currentThread(), SEED,
                   r = UNSAFE.getLong(t, SEED) + GAMMA);
    return r;
}

nextSeed()方法中首先使用基于主内存地址的Volatile读的方式获取老的SEED种子值，然后再使用基于主内存地址的Volatile写的方式设置新的SEED种子值；

种子值相关常量：

// Unsafe mechanics
private static final sun.misc.Unsafe UNSAFE;
// 种子值
private static final long SEED;
private static final long PROBE;
private static final long SECONDARY;
static {
    try {
        UNSAFE = sun.misc.Unsafe.getUnsafe();
        Class<?> tk = Thread.class;
        SEED = UNSAFE.objectFieldOffset
            (tk.getDeclaredField("threadLocalRandomSeed"));
        PROBE = UNSAFE.objectFieldOffset
            (tk.getDeclaredField("threadLocalRandomProbe"));
        SECONDARY = UNSAFE.objectFieldOffset
            (tk.getDeclaredField("threadLocalRandomSecondarySeed"));
    } catch (Exception e) {
        throw new Error(e);
    }
}

3> 总述

1. ThreadLocalRandom中直接基于主内存地址的Volatile读方式读取老SEED值。
2. ThreadLocalRandom中直接基于主内存地址的Volatile写方式将老SEED值替换为新SEED值；因为这里的种子值都是线程级别的，所以不需要原子级别的变量，也不会出现多线程竞争修改种子值的情况。

谈到基于主内存地址的Volatile读写，ConCurrentHashMap中也有大量使用，参考博文：https://blog.csdn.net/Saintmm/article/details/122911586。