目录
1.普通轮询算法2.加权轮询算法2.1.实现方式一2.2.实现方式二（重点难点）2.2.1.概述2.2.2.举个例子理解算法2.2.3.代码实现总结1.普通轮询算法
轮询（Round Robin，RR）是依次将用户的访问请求，按循环顺序分配到web服务节点上，从1开始到最后一台服务器节点结束，然后再开始新一轮的循环。这种算法简单，但是没有考虑到每台节点服务器的具体性能，请求分发往往不均衡。
代码实现：
/**
* 普通轮询算法
*/public class RoundRobin {
private static Integer index = 0;
private static List nodes = new ArrayList<>();
// 准备模拟数据
static {
nodes.add("192.168.1.101");
nodes.add("192.168.1.103");
nodes.add("192.168.1.102");
System.out.println("普通轮询算法的所有节点："+nodes);//打印所有节点
}
// 关键代码
public String selectNode(){
String ip = null;
synchronized (index){
// 下标复位
if(index>=nodes.size()) index = 0;
ip = nodes.get(index);
index++;
}
return ip;
}
// 并发测试：两个线程循环获取节点
public static void main(String[] args) {
new Thread(() -> {
RoundRobin roundRobin1 = new RoundRobin();
for (int i=1;i<=5;i++){
String serverIp = roundRobin1.selectNode();
System.out.println(Thread.currentThread().getName()+"==第"+i+"次获取节点："+serverIp);
}
}).start();
RoundRobin roundRobin2 = new RoundRobin();
for (int i=1;i<=nodes.size();i++){
String serverIp = roundRobin2.selectNode();
System.out.println(Thread.currentThread().getName()+"==第"+i+"次获取节点："+serverIp);
}
}
}
执行结果：不同线程访问，结果依旧是按顺序循环分配节点
普通轮询算法的所有节点：[192.168.1.101, 192.168.1.103, 192.168.1.102]
main==第1次获取节点：192.168.1.101
Thread-0==第1次获取节点：192.168.1.103
Thread-0==第2次获取节点：192.168.1.102
Thread-0==第3次获取节点：192.168.1.101
Thread-0==第4次获取节点：192.168.1.103
Thread-0==第5次获取节点：192.168.1.102
main==第2次获取节点：192.168.1.101
main==第3次获取节点：192.168.1.103
2.加权轮询算法
加权轮询（Weighted Round Robin，WRR）是根据设定的权重值来分配访问请求，权重值越大的，被分到的请求数也就越多。一般根据每台节点服务器的具体性能来分配权重。
2.1.实现方式一
将需要轮询的所有节点按权重数循环生成一个List 集合，然后就跟普通轮询算法一样，来一个、分配一个、进1位。
例如：
所有节点信息：{{“192.168.1.100“,5},{“192.168.1.101“,1},{“192.168.1.102“,3}}
那么生成的List 集合为：
{“192.168.1.100“,
“192.168.1.100“,
“192.168.1.100“,
“192.168.1.100“,
“192.168.1.100“,
“192.168.1.101“,
“192.168.1.102“,
“192.168.1.102“,
“192.168.1.102“}
后面就是普通轮询算法的逻辑
代码实现：
类似于二维数组 降维成 一维数组，然后使用普通轮询
/**
* 简单版的加权轮询
*/public class WeightedRoundRobinSimple {
private static Integer index = 0;
private static Map mapNodes = new HashMap<>();
// 准备模拟数据
static {
mapNodes.put("192.168.1.101",1);
mapNodes.put("192.168.1.102",3);
mapNodes.put("192.168.1.103",2);
/* -- 以下代码只为了方便查看所有节点，删除不影响 -- S */
List nodes = new ArrayList<>();
Iterator> iterator = mapNodes.entrySet().iterator();
while (iterator.hasNext()){
Map.Entry entry = iterator.next();
String key = entry.getKey();
for (int i=0;i nodes = new ArrayList<>();
Iterator> iterator = mapNodes.entrySet().iterator();
while (iterator.hasNext()){
Map.Entry entry = iterator.next();
String key = entry.getKey();
for (int i=0;i=nodes.size()) index = 0;
ip = nodes.get(index);
index++;
}
return ip;
}
// 并发测试：两个线程循环获取节点
public static void main(String[] args) {
new Thread(() -> {
WeightedRoundRobinSimple roundRobin1 = new WeightedRoundRobinSimple();
for (int i=1;i<=6;i++){
String serverIp = roundRobin1.selectNode();
System.out.println(Thread.currentThread().getName()+"==第"+i+"次获取节点："+serverIp);
}
}).start();
WeightedRoundRobinSimple roundRobin2 = new WeightedRoundRobinSimple();
for (int i=1;i<=6;i++){
String serverIp = roundRobin2.selectNode();
System.out.println(Thread.currentThread().getName()+"==第"+i+"次获取节点："+serverIp);
}
}
}
执行结果：两个线程循环测试，输出结果会出现交替分配到不同的IP，但最终的效果都是一个个按顺序分配，类似于普通轮询算法。
简单版的加权轮询：[192.168.1.103, 192.168.1.103, 192.168.1.101, 192.168.1.102, 192.168.1.102, 192.168.1.102]
main==第1次获取节点：192.168.1.103
main==第2次获取节点：192.168.1.103
main==第3次获取节点：192.168.1.101
main==第4次获取节点：192.168.1.102
main==第5次获取节点：192.168.1.102
Thread-0==第1次获取节点：192.168.1.102
Thread-0==第2次获取节点：192.168.1.103
main==第6次获取节点：192.168.1.103
Thread-0==第3次获取节点：192.168.1.101
Thread-0==第4次获取节点：192.168.1.102
Thread-0==第5次获取节点：192.168.1.102
Thread-0==第6次获取节点：192.168.1.102
2.2.实现方式二（重点难点）
本文的重点难点。
在实现方式一的算法中可以很明显的看到，同权重的IP会被连续分配，也就是说同一个IP在短时间内收到不同的请求，过了这个连续点，就要等到下一轮才会被分配到，并没有做到均匀分配节点。
实现方式二将尽可能地均匀分配每个节点，节点分配不再是连续的，但最终的权重比和上一个方式一样，这种加权轮询又被称为平滑加权轮询。
理解关键的几个参数和算法逻辑，方便理解代码的实现。
2.2.1.概述
关键参数
ip：负载IP
weight：权重，保存配置的权重
effectiveWeight：有效权重，轮询的过程权重可能变化
currentWeight：当前权重，比对该值大小获取节点
注意几个点：
weight 权重，在整个过程不会对它做修改，只用来保存配置时的权重参数值。如果直接拿weight 运算而不保存配置的最原始权重参数，那么将会丢失最关键的用户配置的权重参数。
effectiveWeight 有效权重，在整个过程可能会变化，初始值等于weight，主要用于当节点出现分配失败时降低权重值，成功时提高权重值（但不能大于weight值），本案例为了简化算法，并未加入这功能，因此本案例中effectiveWeight始终等于weight。
currentWeight 当前权重，通过循环所有节点比对该值大小来分配权重最大的节点，初始值等于weight。
三个权重参数的变化情况
仅仅针对本案例，因为本案例为了简化算法，并未加入[节点出现分配失败时降低权重值，成功时提高权重值（但不能大于weight值）的功能]，所以有效权重effectiveWeight 不会发生变化。
第一次加权轮询时：currentWeight = weight = effectiveWeight；
后面每次加权轮询时：currentWeight 的值都会不断变化，weight 和effectiveWeight 的值不变；
被分配的节点的currentWeight = currentWeight - 权重之和
所有节点的currentWeight = currentWeight + effectiveWeight
2.2.2.举个例子理解算法
你面前有三个瓶子A、B、C，分别装有1L、3L、2L水。
第一轮分配情况：B多，所以把B瓶子的3L水，分1L给A，分2L给C（按权重分），分完之后：A、B、C分别为：2L、0L、4L
第二轮分配情况：C多，所以把C瓶子的4L水，分1L给A，分3L给B（按权重分），分完之后：A、B、C分别为：3L、3L、0L
第三轮分配情况：A和B一样多，那么拿谁去分呢？拿谁其实都一样（算法中写了A大于B才选A，现在等于，所以不选A），所以把B瓶子的3L水，分1L给A，分2L给C（按权重分），分完之后：A、B、C分别为：4L、0L、2L
然后不断的进行下去……
简化成数学逻辑（代码实现）的关键两步
被分配的节点的currentWeight = currentWeight - 权重之和
所有节点的currentWeight = currentWeight + effectiveWeight
下面通过阅读代码来理解
2.2.3.代码实现
节点对象
/** * String ip：负载IP * final Integer weight：权重，保存配置的权重 * Integer effectiveWeight：有效权重，轮询的过程权重可能变化 * Integer currentWeight：当前权重，比对该值大小获取节点 * 第一次加权轮询时：currentWeight = weight = effectiveWeight * 后面每次加权轮询时：currentWeight 的值都会不断变化，其他权重不变 */public class Node implements Comparable{ private String ip; private final Integer weight; private Integer effectiveWeight; private Integer currentWeight; public Node(String ip,Integer weight){ this.ip = ip; this.weight = weight; this.effectiveWeight = weight; this.currentWeight = weight; } public Node(String ip, Integer weight, Integer effectiveWeight, Integer currentWeight) { this.ip = ip; this.weight = weight; this.effectiveWeight = effectiveWeight; this.currentWeight = currentWeight; } public String getIp() { return ip; } public void setIp(String ip) { this.ip = ip; } public Integer getWeight() { return weight; } public Integer getEffectiveWeight() { return effectiveWeight; } public void setEffectiveWeight(Integer effectiveWeight) { this.effectiveWeight = effectiveWeight; } public Integer getCurrentWeight() { return currentWeight; } public void setCurrentWeight(Integer currentWeight) { this.currentWeight = currentWeight; } @Override public int compareTo(Node node) { return currentWeight > node.currentWeight ? 1 : (currentWeight.equals(node.currentWeight) ? 0 : -1); } @Override public String toString() { return "{ip="" + ip + "", weight=" + weight + ", effectiveWeight=" + effectiveWeight + ", currentWeight=" + currentWeight + "}"; } }
加权轮询算法
/**
* 加权轮询算法
*/public class WeightedRoundRobin {
private static List nodes = new ArrayList<>();
// 权重之和
private static Integer totalWeight = 0;
// 准备模拟数据
static {
nodes.add(new Node("192.168.1.101",1));
nodes.add(new Node("192.168.1.102",3));
nodes.add(new Node("192.168.1.103",2));
nodes.forEach(node -> totalWeight += node.getEffectiveWeight());
}
/**
* 按照当前权重（currentWeight）最大值获取IP
* @return Node
*/
public Node selectNode(){
if (nodes ==null || nodes.size()<=0) return null;
if (nodes.size() == 1) return nodes.get(0);
Node nodeOfMaxWeight = null; // 保存轮询选中的节点信息
synchronized (nodes){
// 打印信息对象：避免并发时打印出来的信息太乱，不利于观看结果
StringBuffer sb = new StringBuffer();
sb.append(Thread.currentThread().getName()+"==加权轮询--[当前权重]值的变化："+printCurrentWeight(nodes));
// 选出当前权重最大的节点
Node tempNodeOfMaxWeight = null;
for (Node node : nodes) {
if (tempNodeOfMaxWeight == null)
tempNodeOfMaxWeight = node;
else
tempNodeOfMaxWeight = tempNodeOfMaxWeight.compareTo(node) > 0 ? tempNodeOfMaxWeight : node;
}
// 必须new个新的节点实例来保存信息，否则引用指向同一个堆实例，后面的set操作将会修改节点信息
nodeOfMaxWeight = new Node(tempNodeOfMaxWeight.getIp(),tempNodeOfMaxWeight.getWeight(),tempNodeOfMaxWeight.getEffectiveWeight(),tempNodeOfMaxWeight.getCurrentWeight());
// 调整当前权重比：按权重（effectiveWeight）的比例进行调整，确保请求分发合理。
tempNodeOfMaxWeight.setCurrentWeight(tempNodeOfMaxWeight.getCurrentWeight() - totalWeight);
sb.append(" -> "+printCurrentWeight(nodes));
nodes.forEach(node -> node.setCurrentWeight(node.getCurrentWeight()+node.getEffectiveWeight()));
sb.append(" -> "+printCurrentWeight(nodes));
System.out.println(sb); //打印权重变化过程
}
return nodeOfMaxWeight;
}
// 格式化打印信息
private String printCurrentWeight(List nodes){
StringBuffer stringBuffer = new StringBuffer("[");
nodes.forEach(node -> stringBuffer.append(node.getCurrentWeight()+",") );
return stringBuffer.substring(0, stringBuffer.length() - 1) + "]";
}
// 并发测试：两个线程循环获取节点
public static void main(String[] args){
Thread thread = new Thread(() -> {
WeightedRoundRobin weightedRoundRobin1 = new WeightedRoundRobin();
for(int i=1;i<=totalWeight;i++){
Node node = weightedRoundRobin1.selectNode();
System.out.println(Thread.currentThread().getName()+"==第"+i+"次轮询选中[当前权重最大]的节点：" + node + "\n");
}
});
thread.start();
//
WeightedRoundRobin weightedRoundRobin2 = new WeightedRoundRobin();
for(int i=1;i<=totalWeight;i++){
Node node = weightedRoundRobin2.selectNode();
System.out.println(Thread.currentThread().getName()+"==第"+i+"次轮询选中[当前权重最大]的节点：" + node + "\n");
}
}
}
执行结果：
main==加权轮询--[当前权重]值的变化：[1,3,2] -> [1,-3,2] -> [2,0,4] main==第1次轮询选中[当前权重最大]的节点：{ip="192.168.1.102", weight=3, effectiveWeight=3, currentWeight=3}
Thread-0==加权轮询--[当前权重]值的变化：[2,0,4] -> [2,0,-2] -> [3,3,0] Thread-0==第1次轮询选中[当前权重最大]的节点：{ip="192.168.1.103", weight=2, effectiveWeight=2, currentWeight=4}
main==加权轮询--[当前权重]值的变化：[3,3,0] -> [3,-3,0] -> [4,0,2] main==第2次轮询选中[当前权重最大]的节点：{ip="192.168.1.102", weight=3, effectiveWeight=3, currentWeight=3}
main==加权轮询--[当前权重]值的变化：[4,0,2] -> [-2,0,2] -> [-1,3,4] main==第3次轮询选中[当前权重最大]的节点：{ip="192.168.1.101", weight=1, effectiveWeight=1, currentWeight=4}
Thread-0==加权轮询--[当前权重]值的变化：[-1,3,4] -> [-1,3,-2] -> [0,6,0] Thread-0==第2次轮询选中[当前权重最大]的节点：{ip="192.168.1.103", weight=2, effectiveWeight=2, currentWeight=4}
main==加权轮询--[当前权重]值的变化：[0,6,0] -> [0,0,0] -> [1,3,2] main==第4次轮询选中[当前权重最大]的节点：{ip="192.168.1.102", weight=3, effectiveWeight=3, currentWeight=6}
Thread-0==加权轮询--[当前权重]值的变化：[1,3,2] -> [1,-3,2] -> [2,0,4] Thread-0==第3次轮询选中[当前权重最大]的节点：{ip="192.168.1.102", weight=3, effectiveWeight=3, currentWeight=3}
main==加权轮询--[当前权重]值的变化：[2,0,4] -> [2,0,-2] -> [3,3,0] main==第5次轮询选中[当前权重最大]的节点：{ip="192.168.1.103", weight=2, effectiveWeight=2, currentWeight=4}
Thread-0==加权轮询--[当前权重]值的变化：[3,3,0] -> [3,-3,0] -> [4,0,2] Thread-0==第4次轮询选中[当前权重最大]的节点：{ip="192.168.1.102", weight=3, effectiveWeight=3, currentWeight=3}
main==加权轮询--[当前权重]值的变化：[4,0,2] -> [-2,0,2] -> [-1,3,4] main==第6次轮询选中[当前权重最大]的节点：{ip="192.168.1.101", weight=1, effectiveWeight=1, currentWeight=4}
Thread-0==加权轮询--[当前权重]值的变化：[-1,3,4] -> [-1,3,-2] -> [0,6,0] Thread-0==第5次轮询选中[当前权重最大]的节点：{ip="192.168.1.103", weight=2, effectiveWeight=2, currentWeight=4}
Thread-0==加权轮询--[当前权重]值的变化：[0,6,0] -> [0,0,0] -> [1,3,2] Thread-0==第6次轮询选中[当前权重最大]的节点：{ip="192.168.1.102", weight=3, effectiveWeight=3, currentWeight=6}
为了方便分析，简化两线程执行后的结果
[当前权重]值的变化：[1,3,2] -> [1,-3,2] -> [2,0,4]
[当前权重]值的变化：[2,0,4] -> [2,0,-2] -> [3,3,0]
[当前权重]值的变化：[3,3,0] -> [3,-3,0] -> [4,0,2]
[当前权重]值的变化：[4,0,2] -> [-2,0,2] -> [-1,3,4]
[当前权重]值的变化：[-1,3,4] -> [-1,3,-2] -> [0,6,0]
[当前权重]值的变化：[0,6,0] -> [0,0,0] -> [1,3,2]
[当前权重]值的变化：[1,3,2] -> [1,-3,2] -> [2,0,4]
[当前权重]值的变化：[2,0,4] -> [2,0,-2] -> [3,3,0]
[当前权重]值的变化：[3,3,0] -> [3,-3,0] -> [4,0,2]
[当前权重]值的变化：[4,0,2] -> [-2,0,2] -> [-1,3,4]
[当前权重]值的变化：[-1,3,4] -> [-1,3,-2] -> [0,6,0]
[当前权重]值的变化：[0,6,0] -> [0,0,0] -> [1,3,2]
因为整个过程只有当前权重发生变化，所以分析清楚它就明白了整个过程。
结论：
分配完成后当前权重发生变化，但权限之和还是等于最初值；
每6轮（1+3+2权重）就出现权重全部为0，所以会出现重新循环，6正好等于权重之和，权重比等于1/6 : 3/6 : 2/6；
a=权重1，b=权重3，c=权重2，那么权重变化的6（a+b+c)次中，分配情况为：b c b a c b，很明显，每个节点均匀按权重分配，节点分配不再是连续的。这也是最重要的结论，正是实现方式二在文初提到的要实现的关键点。
该算法在权重比相差很大时，比如：A=1，B=5，那这个算法的结果就跟方式一没啥区别了，分配结果就变成了：{A,B,B,B,B,B}，既然没区别，那根据算法复杂情况，那肯定方式一更好了，所以方式一和方式二可以互补，可以根据权重比选择不同的算法。
留下悬念
第一点：节点出现分配失败时降低有效权重值，成功时提高有效权重值（但不能大于weight值）的功能。理解了方式二，后面再加这块功能进去就很好理解了；
第二点：该算法实现的背后数学证明，用的是什么数学理论？
总结
到此这篇关于Java负载均衡算法实现之轮询和加权轮询的文章就介绍到这了,更多相关Java轮询和加权轮询算法内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
下一篇：C#集合之列表的用法
X 关闭
X 关闭
- 15G资费不大降！三大运营商谁提供的5G网速最快？中国信通院给出答案
- 2联想拯救者Y70发布最新预告：售价2970元起 迄今最便宜的骁龙8+旗舰
- 3亚马逊开始大规模推广掌纹支付技术 顾客可使用“挥手付”结账
- 4现代和起亚上半年出口20万辆新能源汽车同比增长30.6%
- 5如何让居民5分钟使用到各种设施？沙特“线性城市”来了
- 6AMD实现连续8个季度的增长 季度营收首次突破60亿美元利润更是翻倍
- 7转转集团发布2022年二季度手机行情报告：二手市场“飘香”
- 8充电宝100Wh等于多少毫安？铁路旅客禁止、限制携带和托运物品目录
- 9好消息！京东与腾讯续签三年战略合作协议 加强技术创新与供应链服务
- 10名创优品拟通过香港IPO全球发售4100万股 全球发售所得款项有什么用处？