背景
在选择游戏陪玩系统实现负载均衡的算法时,我们希望满足以下要求:
1、具备分区和机房调度亲和性
- 每次选择的节点尽量是负载最低的
- 每次尽可能选择响应最快的游戏陪玩系统节点
2、无需人工干预故障节点
- 当游戏陪玩系统中一个节点有故障时,负载均衡算法可以自动隔离该节点
- 当故障节点恢复时,能够自动恢复对该节点的流量分发
- 基于这些考虑,go-zero 选择了 p2c+EWMA 算法来实现。
算法的核心思想
p2c
p2c (Pick Of 2 Choices) 二选一: 在游戏陪玩系统的多个节点中随机选择两个节点。
go-zero 中的会随机的选择3次,如果其中一次选择的节点的健康条件满足要求,就中断选择,采用这两个节点。
EWMA
EWMA (Exponentially Weighted Moving-Average) 指数移动加权平均法: 是指各数值的加权系数随时间呈指数递减,越靠近当前时刻的数值加权系数就越大,体现了最近一段时间内的平均值。
- 公式:
- 变量解释:
Vt: 代表的是第 t 次请求的 EWMA值
Vt-1: 代表的是第 t-1 次请求的 EWMA值
β: 是一个常量
EWMA 算法的优势
1、相较于普通的计算平均值算法,EWMA 不需要保存游戏陪玩系统过去所有的数值,计算量显著减少,同时也减小了存储资源。
2、传统的计算平均值算法对网络耗时不敏感, 而 EWMA 可以通过请求频繁来调节 β,进而迅速监控到游戏陪玩系统网络毛刺或更多的体现整体平均值。
- 当请求较为频繁时, 说明节点网络负载升高了, 我们想监测到此时节点处理请求的耗时(侧面反映了节点的负载情况),
我们就相应的调小β。β越小,EWMA值 就越接近本次耗时,进而迅速监测到网络毛刺; - 当请求较为不频繁时, 我们就相对的调大β值。这样计算出来的 EWMA值 越接近平均值
β计算
go-zero 采用的是牛顿冷却定律中的衰减函数模型计算 EWMA 算法中的 β 值:
其中 Δt 为两次请求的间隔,e,k 为常数
gRPC 中实现自定义负载均衡器
1、首先我们需要实现 google.golang.org/grpc/balancer/base/base.go/PickerBuilder 接口, 这个接口是游戏陪玩系统有服务节点更新的时候会调用接口里的Build方法
type PickerBuilder interface {
// Build returns a picker that will be used by gRPC to pick a SubConn.
Build(info PickerBuildInfo) balancer.Picker
}
2、还要实现 google.golang.org/grpc/balancer/balancer.go/Picker 接口。这个接口主要实现负载均衡,挑选一个节点供请求使用
type Picker interface {
Pick(info PickInfo) (PickResult, error)
}
3、最后向负载均衡 map 中注册我们实现的负载均衡器
go-zero 实现负载均衡的主要逻辑
1、在游戏陪玩系统每次节点更新时,gRPC 会调用 Build 方法,此时在 Build 里实现保存所有的节点信息。
2、gRPC 在获取节点处理请求时,会调用 Pick 方法以获取节点。go-zero 在 Pick 方法里实现了 p2c 算法,挑选节点,并通过节点的 EWMA值 计算负载情况,返回负载低的节点供 gRPC 使用。
3、在请求结束的时候 gRPC 会调用 PickResult.Done 方法,go-zero 在这个方法里实现了本次请求耗时等信息的存储,并计算出了 EWMA值 保存了起来,供下次请求时计算负载等情况的使用。
负载均衡代码分析
1、保存游戏陪玩系统服务的所有节点信息
我们需要保存节点处理本次请求的耗时、EWMA 等信息,go-zero 给每个节点设计了如下结构:
type subConn struct {
addr resolver.Address
conn balancer.SubConn
lag uint64 // 用来保存 ewma 值
inflight int64 // 用在保存当前节点正在处理的请求总数
success uint64 // 用来标识一段时间内此连接的健康状态
requests int64 // 用来保存请求总数
last int64 // 用来保存上一次请求耗时, 用于计算 ewma 值
pick int64 // 保存上一次被选中的时间点
}
2、p2cPicker 实现了 balancer.Picker 接口,conns 保存了游戏陪玩系统服务的所有节点信息
type p2cPicker struct {
conns []*subConn // 保存所有节点的信息
r *rand.Rand
stamp *syncx.AtomicDuration
lock sync.Mutex
}
3、gRPC 在节点有更新的时候会调用 Build 方法,传入所有节点信息,我们在这里把每个节点信息用 subConn 结构保存起来。并归并到一起用 p2cPicker 结构保存起来
func (b *p2cPickerBuilder) Build(info base.PickerBuildInfo) balancer.Picker {
......
var conns []*subConn
for conn, connInfo := range readySCs {
conns = append(conns, &subConn{
addr: connInfo.Address,
conn: conn,
success: initSuccess,
})
}
return &p2cPicker{
conns: conns,
r: rand.New(rand.NewSource(time.Now().UnixNano())),
stamp: syncx.NewAtomicDuration(),
}
}
4、随机挑选游戏陪玩系统节点信息,在这里分了三种情况:
- 只有一个服务节点,此时直接返回供 gRPC 使用即可
- 有两个服务节点,通过 EWMA值 计算负载,并返回负载低的节点返回供 gRPC 使用
- 有多个服务节点,此时通过 p2c 算法选出两个节点,比较负载情况,返回负载低的节点供 gRPC 使用
主要实现代码如下:
switch len(p.conns) {
case 0:// 没有节点,返回错误
return emptyPickResult, balancer.ErrNoSubConnAvailable
case 1:// 有一个节点,直接返回这个节点
chosen = p.choose(p.conns[0], nil)
case 2:// 有两个节点,计算负载,返回负载低的节点
chosen = p.choose(p.conns[0], p.conns[1])
default:// 有多个节点,p2c 挑选两个节点,比较这两个节点的负载,返回负载低的节点
var node1, node2 *subConn
// 3次随机选择两个节点
for i := 0; i < pickTimes; i++ {
a := p.r.Intn(len(p.conns))
b := p.r.Intn(len(p.conns) - 1)
if b >= a {
b++
}
node1 = p.conns[a]
node2 = p.conns[b]
// 如果这次选择的节点达到了健康要求, 就中断选择
if node1.healthy() && node2.healthy() {
break
}
}
// 比较两个节点的负载情况,选择负载低的
chosen = p.choose(node1, node2)
}
5、load计算节点的负载情况
上面的 choose 方法会调用 load 方法来计算节点负载。
计算负载的公式是: load = ewma * inflight
在这里简单解释下: ewma 相当于平均请求耗时,inflight 是当前节点正在处理请求的数量,相乘大致计算出了当前节点的网络负载。
func (c *subConn) load() int64 {
// 通过 EWMA 计算节点的负载情况; 加 1 是为了避免为 0 的情况
lag := int64(math.Sqrt(float64(atomic.LoadUint64(&c.lag) + 1)))
load := lag * (atomic.LoadInt64(&c.inflight) + 1)
if load == 0 {
return penalty
}
return load
}
6、请求结束,更新游戏陪玩系统节点的 EWMA 等信息
- 把节点正在处理请求的总数减1
- 保存处理请求结束的时间点,用于计算距离上次节点处理请求的差值,并算出 EWMA 中的 β值
- 计算本次请求耗时,并计算出 EWMA值 保存到节点的 lag 属性里
- 计算节点的健康状态保存到节点的 success 属性中
func (p *p2cPicker) buildDoneFunc(c *subConn) func(info balancer.DoneInfo) {
start := int64(timex.Now())
return func(info balancer.DoneInfo) {
// 正在处理的请求数减 1
atomic.AddInt64(&c.inflight, -1)
now := timex.Now()
// 保存本次请求结束时的时间点,并取出上次请求时的时间点
last := atomic.SwapInt64(&c.last, int64(now))
td := int64(now) - last
if td < 0 {
td = 0
}
// 用牛顿冷却定律中的衰减函数模型计算EWMA算法中的β值
w := math.Exp(float64(-td) / float64(decayTime))
// 保存本次请求的耗时
lag := int64(now) - start
if lag < 0 {
lag = 0
}
olag := atomic.LoadUint64(&c.lag)
if olag == 0 {
w = 0
}
// 计算 EWMA 值
atomic.StoreUint64(&c.lag, uint64(float64(olag)*w+float64(lag)*(1-w)))
success := initSuccess
if info.Err != nil && !codes.Acceptable(info.Err) {
success = 0
}
osucc := atomic.LoadUint64(&c.success)
atomic.StoreUint64(&c.success, uint64(float64(osucc)*w+float64(success)*(1-w)))
stamp := p.stamp.Load()
if now-stamp >= logInterval {
if p.stamp.CompareAndSwap(stamp, now) {
p.logStats()
}
}
}
}
以上便是“游戏陪玩系统开发,自适应负载均衡算法的实现”的全部内容,希望对大家有帮助。