Nacos客户端是如何实现实例获取的负载均衡呢？

前面我们讲了Nacos 客户端如何获取实例列表，如何进行缓存处理，以及如何订阅实例列表的变更。在获取到一个实例列表之后，你是否想过一个问题：如果实例列表有100个实例，Nacos客户端是如何从中选择一个呢?

这篇文章，就带大家从源码层面分析一下，Nacos客户端采用了如何的算法来从实例列表中获取一个实例进行请求的。也可以称作是Nacos客户端的负载均衡算法。

单个实例获取

NamingService不仅提供了获取实例列表的方法，也提供了获取单个实例的方法，比如：

Instance selectOneHealthyInstance(String serviceName, String groupName, List<String> clusters, boolean subscribe)
throws NacosException;

该方法会根据预定义的负载算法，从实例列表中获得一个健康的实例。其他重载的方法功能类似，最终都会调用该方法，我们就以此方法为例来分析一下具体的算法。

具体实现代码：

@Override
public Instance selectOneHealthyInstance(String serviceName, String groupName, List<String> clusters,
boolean subscribe) throws NacosException {
String clusterString = StringUtils.join(clusters, ",");
if (subscribe) {
// 获取ServiceInfo
ServiceInfo serviceInfo = serviceInfoHolder.getServiceInfo(serviceName, groupName, clusterString);
if (null == serviceInfo) {
serviceInfo = clientProxy.subscribe(serviceName, groupName, clusterString);
}
// 通过负载均衡算法获得其中一个实例
return Balancer.RandomByWeight.selectHost(serviceInfo);
} else {
// 获取ServiceInfo
ServiceInfo serviceInfo = clientProxy
.queryInstancesOfService(serviceName, groupName, clusterString, 0, false);
// 通过负载均衡算法获得其中一个实例
return Balancer.RandomByWeight.selectHost(serviceInfo);
}
}

selectOneHealthyInstance方法逻辑很简单，调用我们之前讲到的方法获取ServiceInfo对象，然后作为参数传递给负载均衡算法，由负载均衡算法计算出最终使用哪个实例(Instance)。

算法参数封装

先跟踪一下代码实现，非核心业务逻辑，只简单提一下。

上面的代码可以看出调用的是Balancer内部类RandomByWeight的selectHost方法：

public static Instance selectHost(ServiceInfo dom) {
// ServiceInfo中获去实例列表
List<Instance> hosts = selectAll(dom);
// ...
return getHostByRandomWeight(hosts);
}

selectHost方法核心逻辑是从ServiceInfo中获取实例列表，然后调用getHostByRandomWeight方法：

protected static Instance getHostByRandomWeight(List<Instance> hosts) {
// ... 判断逻辑
// 重新组织数据格式
List<Pair<Instance>> hostsWithWeight = new ArrayList<Pair<Instance>>();
for (Instance host : hosts) {
if (host.isHealthy()) {
hostsWithWeight.add(new Pair<Instance>(host, host.getWeight()));
}
}
// 通过Chooser来实现随机权重负载均衡算法
Chooser<String, Instance> vipChooser = new Chooser<String, Instance>("www.taobao.com");
vipChooser.refresh(hostsWithWeight);
return vipChooser.randomWithWeight();
}

getHostByRandomWeight前半部分是将Instance列表及其中的权重数据进行转换，封装成一个Pair，也就是建立成对的关系。在此过程中只使用了健康的节点。

真正的算法实现则是通过Chooser类来实现的，看名字基本上知道实现的策略是基于权重的随机算法。

负载均衡算法实现

所有的负载均衡算法实现均位于Chooser类中，Chooser类的提供了两个方法refresh和randomWithWeight。

refresh方法用于筛选数据、检查数据合法性和建立算法所需数据模型。

randomWithWeight方法基于前面的数据来进行随机算法处理。

先看refresh方法：

public void refresh(List<Pair<T>> itemsWithWeight) {
Ref<T> newRef = new Ref<T>(itemsWithWeight);
// 准备数据，检查数据
newRef.refresh();
// 上面数据刷新之后，这里重新初始化一个GenericPoller
newRef.poller = this.ref.poller.refresh(newRef.items);
this.ref = newRef;
}

基本步骤：

创建Ref类，该类为Chooser的内部类;
调用Ref的refresh方法，用于准备数据、检查数据等;
数据筛选完成，调用poller#refresh方法，本质上就是创建一个GenericPoller对象;
成员变量重新赋值;

这里重点看Ref#refresh方法：

/**
* 获取参与计算的实例列表、计算递增数组数总和并进行检查
*/
public void refresh() {
// 实例权重总和
Double originWeightSum = (double) 0;
// 所有健康权重求和
for (Pair<T> item : itemsWithWeight) {
double weight = item.weight();
//ignore item which weight is zero.see test_randomWithWeight_weight0 in ChooserTest
// 权重小于等于0则不参与计算
if (weight <= 0) {
continue;
}
// 有效实例放入列表
items.add(item.item());
// 如果值无限大
if (Double.isInfinite(weight)) {
weight = 10000.0D;
}
// 如果值为非数字
if (Double.isNaN(weight)) {
weight = 1.0D;
}
// 权重值累加
originWeightSum += weight;
}
double[] exactWeights = new double[items.size()];
int index = 0;
// 计算每个节点权重占比，放入数组
for (Pair<T> item : itemsWithWeight) {
double singleWeight = item.weight();
//ignore item which weight is zero.see test_randomWithWeight_weight0 in ChooserTest
if (singleWeight <= 0) {
continue;
}
// 计算每个节点权重占比
exactWeights[index++] = singleWeight / originWeightSum;
}
// 初始化递增数组
weights = new double[items.size()];
double randomRange = 0D;
for (int i = 0; i < index; i++) {
// 递增数组第i项值为items前i个值总和
weights[i] = randomRange + exactWeights[i];
randomRange += exactWeights[i];
}
double doublePrecisionDelta = 0.0001;
// index遍历完则返回；
// 或weights最后一位值与1相比，误差小于0.0001，则返回
if (index == 0 || (Math.abs(weights[index - 1] - 1) < doublePrecisionDelta)) {
return;
}
throw new IllegalStateException(
"Cumulative Weight calculate wrong , the sum of probabilities does not equals 1.");
}

可结合上面代码中的注释来理解，核心步骤包括以下：

遍历itemsWithWeight，计算权重总和数据;非健康节点会被剔除掉;
计算每个节点的权重值在总权重值中的占比，并存储在exactWeights数组当中;
将exactWeights数组当中值进行数据重构，形成一个递增数组weights(每个值都是exactWeights坐标值的总和)，后面用于随机算法;
判断是否循环完成或误差在指定范围内(0.0001)，符合则返回。

所有数据准备完成，调用随机算法方法randomWithWeight：

public T randomWithWeight() {
Ref<T> ref = this.ref;
// 生成0-1之间的随机数
double random = ThreadLocalRandom.current().nextDouble(0, 1);
// 采用二分法查找数组中指定值，如果不存在则返回（-(插入点) - 1），插入点即随机数将要插入数组的位置，即第一个大于此键的元素索引。
int index = Arrays.binarySearch(ref.weights, random);
// 如果没有查询到（返回-1或"-插入点"）
if (index < 0) {
index = -index - 1;
} else {
// 命中直接返回结果
return ref.items.get(index);
}
// 判断坐标未越界
if (index < ref.weights.length) {
// 随机数小于指定坐标的数值，则返回坐标值
if (random < ref.weights[index]) {
return ref.items.get(index);
}
}
// 此种情况不应该发生，但如果发生则返回最后一个位置的值
/* This should never happen, but it ensures we will return a correct
* object in case there is some floating point inequality problem
* wrt the cumulative probabilities. */
return ref.items.get(ref.items.size() - 1);
}

该方法的基本操作如下：

生成一个0-1的随机数;
使用Arrays#binarySearch在数组中进行查找，也就是二分查找法。该方法会返回包含key的值，如果没有则会返回”-1“或”-插入点“，插入点即随机数将要插入数组的位置，即第一个大于此键的元素索引。
如果命中则直接返回;如果未命中则对返回值取反减1，获得index值;
判断index值，符合条件，则返回结果;

至此，关于Nacos客户端实例获取的负载均衡算法代码层面追踪完毕。

算法实例演示

下面用一个实例来演示一下，该算法中涉及的数据变化。为了数据美观，这里采用4组数据，每组数据进来确保能被整除;

节点及权重数据(前面节点，后面权重)如下：

1 100
2 25
3 75
4 200

第一步，计算权重综合：

originWeightSum = 100 + 25 + 75 + 200 = 400

第二步，计算每个节点权重比：

exactWeights = {0.25, 0.0625, 0.1875, 0.5}

第三步，计算递增数组weights：

weights = {0.25, 0.3125, 0.5, 1}

第四步，生成0-1的随机数：

random = 0.3049980013493817

第五步，调用Arrays#binarySearch从weights中搜索random：

index = -2

关于Arrays#binarySearch(double[] a, double key)方法这里再解释一下，如果传入的key恰好在数组中，比如1，则返回的index为3;如果key为上面的random值，则先找到插入点，取反，减一。

插入点即第一个大于此key的元素索引，那么上面第一个大于0.3049980013493817的值为0.3125，那么插入点值为1;

于是按照公式计算Arrays#binarySearch返回的index为：

index = - ( 1 ) - 1 = -2

第六步，也就是没有恰好命中的情况：

index = -( -2 ) - 1 = 1