一致性Hash在负载均衡中的应用.docx
《一致性Hash在负载均衡中的应用.docx》由会员分享,可在线阅读,更多相关《一致性Hash在负载均衡中的应用.docx(15页珍藏版)》请在冰豆网上搜索。
一致性Hash在负载均衡中的应用
简介
一致性Hash是一种特殊的Hash算法,由于其均衡性、持久性的映射特点,被广泛的应用于负载均衡领域,如nginx和memcached都采用了一致性Hash来作为集群负载均衡的方案。
本文将介绍一致性Hash的基本思路,并讨论其在分布式缓存集群负载均衡中的应用。
同时也会进行相应的代码测试来验证其算法特性,并给出和其他负载均衡方案的一些对比。
一致性Hash算法简介
在了解一致性Hash算法之前,先来讨论一下Hash本身的特点。
普通的Hash函数最大的作用是散列,或者说是将一系列在形式上具有相似性质的数据,打散成随机的、均匀分布的数据。
比如,对字符串abc和abcd分别进行md5计算,得到的结果如下:
可以看到,两个在形式上非常相近的数据经过md5散列后,变成了完全随机的字符串。
负载均衡正是利用这一特性,对于大量随机的请求或调用,通过一定形式的Hash将他们均匀的散列,从而实现压力的平均化。
(当然,并不是只要使用了Hash就一定能够获得均匀的散列,后面会分析这一点。
)
举个例子,如果我们给每个请求生成一个Key,只要使用一个非常简单的Hash算法Group=Key%N来实现请求的负载均衡,如下:
(如果将Key作为缓存的Key,对应的Group储存该Key的Value,就可以实现一个分布式的缓存系统,后文的具体例子都将基于这个场景)
不难发现,这样的Hash只要集群的数量N发生变化,之前的所有Hash映射就会全部失效。
如果集群中的每个机器提供的服务没有差别,倒不会产生什么影响,但对于分布式缓存这样的系统而言,映射全部失效就意味着之前的缓存全部失效,后果将会是灾难性的。
一致性Hash通过构建环状的Hash空间代替线性Hash空间的方法解决了这个问题,如下图:
整个Hash空间被构建成一个首尾相接的环,使用一致性Hash时需要进行两次映射。
第一次,给每个节点(集群)计算Hash,然后记录它们的Hash值,这就是它们在环上的位置。
第二次,给每个Key计算Hash,然后沿着顺时针的方向找到环上的第一个节点,就是该Key储存对应的集群。
分析一下节点增加和删除时对负载均衡的影响,如下图:
可以看到,当节点被删除时,其余节点在环上的映射不会发生改变,只是原来打在对应节点上的Key现在会转移到顺时针方向的下一个节点上去。
增加一个节点也是同样的,最终都只有少部分的Key发生了失效。
不过发生节点变动后,整体系统的压力已经不是均衡的了,下文中提到的方法将会解决这个问题。
问题与优化
最基本的一致性Hash算法直接应用于负载均衡系统,效果仍然是不理想的,存在诸多问题,下面就对这些问题进行逐个分析并寻求更好的解决方案。
数据倾斜
如果节点的数量很少,而hash环空间很大(一般是0~2^32),直接进行一致性hash上去,大部分情况下节点在环上的位置会很不均匀,挤在某个很小的区域。
最终对分布式缓存造成的影响就是,集群的每个实例上储存的缓存数据量不一致,会发生严重的数据倾斜。
缓存雪崩
如果每个节点在环上只有一个节点,那么可以想象,当某一集群从环中消失时,它原本所负责的任务将全部交由顺时针方向的下一个集群处理。
例如,当group0退出时,它原本所负责的缓存将全部交给group1处理。
这就意味着group1的访问压力会瞬间增大。
设想一下,如果group1因为压力过大而崩溃,那么更大的压力又会向group2压过去,最终服务压力就像滚雪球一样越滚越大,最终导致雪崩。
引入虚拟节点
解决上述两个问题最好的办法就是扩展整个环上的节点数量,因此我们引入了虚拟节点的概念。
一个实际节点将会映射多个虚拟节点,这样Hash环上的空间分割就会变得均匀。
同时,引入虚拟节点还会使得节点在Hash环上的顺序随机化,这意味着当一个真实节点失效退出后,它原来所承载的压力将会均匀地分散到其他节点上去。
如下图:
代码测试
现在我们尝试编写一些测试代码,来看看一致性hash的实际效果是否符合我们预期。
首先我们需要一个能够对输入进行均匀散列的Hash算法,可供选择的有很多,memcached官方使用了基于md5的KETAMA算法,但这里处于计算效率的考虑,使用了FNV1_32_HASH算法,如下:
publicclassHashUtil{
/**
*计算Hash值,使用FNV1_32_HASH算法
*@paramstr
*@return
*/
publicstaticintgetHash(Stringstr){
finalintp=16777619;
inthash=(int)2166136261L;
for(inti=0;ihash=(hash^str.charAt(i))*p;
}
hash+=hash<<13;
hash^=hash>>7;
hash+=hash<<3;
hash^=hash>>17;
hash+=hash<<5;
if(hash<0){
hash=Math.abs(hash);
}
returnhash;
}
}
实际使用时可以根据需求调整。
接着需要使用一种数据结构来保存hash环,可以采用的方案有很多种,最简单的是采用数组或链表。
但这样查找的时候需要进行排序,如果节点数量多,速度就可能变得很慢。
针对集群负载均衡状态读多写少的状态,很容易联想到使用二叉平衡树的结构去储存,实际上可以使用TreeMap(内部实现是红黑树)来作为Hash环的储存结构。
先编写一个最简单的,无虚拟节点的Hash环测试:
publicclassConsistentHashingWithoutVirtualNode{
/**
*集群地址列表
*/
privatestaticString[]groups={
"192.168.0.0:
111","192.168.0.1:
111","192.168.0.2:
111",
"192.168.0.3:
111","192.168.0.4:
111"
};
/**
*用于保存Hash环上的节点
*/
privatestaticSortedMapsortedMap=newTreeMap<>();
/**
*初始化,将所有的服务器加入Hash环中
*/
static{
//使用红黑树实现,插入效率比较差,但是查找效率极高
for(Stringgroup:
groups){
inthash=HashUtil.getHash(group);
System.out.println("["+group+"]launched@"+hash);
sortedMap.put(hash,group);
}
}
/**
*计算对应的widget加载在哪个group上
*
*@paramwidgetKey
*@return
*/
privatestaticStringgetServer(StringwidgetKey){
inthash=HashUtil.getHash(widgetKey);
//只取出所有大于该hash值的部分而不必遍历整个Tree
SortedMapsubMap=sortedMap.tailMap(hash);
if(subMap==null||subMap.isEmpty()){
//hash值在最尾部,应该映射到第一个group上
returnsortedMap.get(sortedMap.firstKey());
}
returnsubMap.get(subMap.firstKey());
}
publicstaticvoidmain(String[]args){
//生成随机数进行测试
MapresMap=newHashMap<>();
for(inti=0;i<100000;i++){
IntegerwidgetId=(int)(Math.random()*10000);
Stringserver=getServer(widgetId.toString());
if(resMap.containsKey(server)){
resMap.put(server,resMap.get(server)+1);
}else{
resMap.put(server,1);
}
}
resMap.forEach(
(k,v)->{
System.out.println("group"+k+":
"+v+"("+v/1000.0D+"%)");
}
);
}
}
生成10000个随机数字进行测试,最终得到的压力分布情况如下:
[192.168.0.1:
111]launched@8518713
[192.168.0.2:
111]launched@1361847097
[192.168.0.3:
111]launched@1171828661
[192.168.0.4:
111]launched@1764547046
group192.168.0.2:
111:
8572(8.572%)
group192.168.0.1:
111:
18693(18.693%)
group192.168.0.4:
111:
17764(17.764%)
group192.168.0.3:
111:
27870(27.87%)
group192.168.0.0:
111:
27101(27.101%)
可以看到压力还是比较不平均的,所以我们继续,引入虚拟节点:
publicclassConsistentHashingWithVirtualNode{
/**
*集群地址列表
*/
privatestaticString[]groups={
"192.168.0.0:
111","192.168.0.1:
111","192.168.0.2:
111",
"192.168.0.3:
111","192.168.0.4:
111"
};
/**
*真实集群列表
*/
privatestaticListrealGroups=newLinkedList<>();
/**
*虚拟节点映射关系
*/
privatestaticSortedMapvirtualNodes=newTreeMap<>();
privatestaticfinalintVIRTUAL_NODE_NUM=1000;
static{
//先添加真实节点列表
realGroups.addAll(Arrays.asList(groups));
//将虚拟节点映射到Hash环上
for(StringrealGroup:
realGroups){
for(inti=0;iStringvirtualNodeName=getVirtualNodeName(realGroup,i);
inthash=HashUtil.getHash(virtualNodeName);
System.out.println("["+virtualNodeName+"]launched@"+hash);
virtualNodes.put(hash,virtualNodeName);
}
}
}
privatestaticStringgetVirtualNodeName(StringrealName,intnum){
returnrealName+"&&VN"+String.valueOf(num);
}
privatestaticStringgetRealNodeName(StringvirtualName){
returnvirtualName.split("&&")[0];
}
privatestaticStringgetServer(StringwidgetKey){
inthash=HashUtil.getHash(widgetKey);
//只取出所有大于该hash值的部分而不必遍历整个Tree
SortedMapsubMap=virtualNodes.tailMap(hash);
StringvirtualNodeName;
if(subMap==null||subMap.isEmpty()){
//hash值在最尾部,应该映射到第一个group上
virtualNodeName=virtualNodes.get(virtualNodes.firstKey());
}else{
virtualNodeName=subMap.get(subMap.firstKey());
}
returngetRealNodeName(virtualNodeName);
}
publicstaticvoidmain(String[]args){
//生成随机数进行测试
MapresMap=newHashMap<>();
for(inti=0;i<100000;i++){
IntegerwidgetId=i;
Stringgroup=getServer(widgetId.toString());
if(resMap.containsKey(group)){
resMap.put(group,resMap.get(group)+1);
}else{
resMap.put(group,1);
}
}
resMap.forEach(
(k,v)->{
System.out.println("group"+k+":
"+v+"("+v/100000.0D+"%)");
}
);
}
}
这里真实节点和虚拟节点的映射采用了字符串拼接的方式,这种方式虽然简单但很有效,memcached官方也是这么实现的。
将虚拟节点的数量设置为1000,重新测试压力分布情况,结果如下:
group192.168.0.2:
111:
18354(18.354%)
group192.168.0.1:
111:
20062(20.062%)
group192.168.0.4:
111:
20749(20.749%)
group192.168.0.3:
111:
20116(20.116%)
group192.168.0.0:
111:
20719(20.719%)
可以看到基本已经达到平均分布了,接着继续测试删除和增加节点给整个服务带来的影响,相关测试代码如下:
privatestaticvoidrefreshHashCircle(){
//当集群变动时,刷新hash环,其余的集群在hash环上的位置不会发生变动
virtualNodes.clear();
for(StringrealGroup:
realGroups){
for(inti=0;iStringvirtualNodeName=getVirtualNodeName(realGroup,i);
inthash=HashUtil.getHash(virtualNodeName);
System.out.println("["+virtualNodeName+"]launched@"+hash);
virtualNodes.put(hash,virtualNodeName);
}
}
}
privatestaticvoidaddGroup(Stringidentifier){
realGroups.add(identifier);
refreshHashCircle();
}
privatestaticvoidremoveGroup(Stringidentifier){
inti=0;
for(Stringgroup:
realGroups){
if(group.equals(identifier)){
realGroups.remove(i);
}
i++;
}
refreshHashCircle();
}
测试删除一个集群前后的压力分布如下:
runningthenormaltest.
group192.168.0.2:
111:
19144(19.144%)
group192.168.0.1:
111:
20244(20.244%)
group192.168.0.4:
111:
20923(20.923%)
group192.168.0.3:
111:
19811(19.811%)
group192.168.0.0:
111:
19878(19.878%)
removedagroup,runtestagain.
group192.168.0.2:
111:
23409(23.409%)
group192.168.0.1:
111:
25628(25.628%)
group192.168.0.4:
111:
25583(25.583%)
group192.168.0.0:
111:
25380(25.38%)
同时计算一下消失的集群上的Key最终如何转移到其他集群上:
[192.168.0.1:
111-192.168.0.4:
111]:
5255
[192.168.0.1:
111-192.168.0.3:
111]:
5090
[192.168.0.1:
111-192.168.0.2:
111]:
5069
[192.168.0.1:
111-192.168.0.0:
111]:
4938
可见,删除集群后,该集群上的压力均匀地分散给了其他集群,最终整个集群仍处于负载均衡状态,符合我们的预期,最后看一下添加集群的情况。
压力分布:
runningthenormaltest.
group192.168.0.2:
111:
18890(18.89%)
group192.168.0.1:
111:
20293(20.293%)
group192.168.0.4:
111:
21000(21.0%)
group192.168.0.3:
111:
19816(19.816%)
group192.168.0.0:
111:
20001(20.001%)
addagroup,runtestagain.
group192.168.0.2:
111:
15524(15.524%)
group192.168.0.7:
111:
16928(16.928%)
group192.168.0.1:
111:
16888(16.888%)
group192.168.0.4:
111:
16965(16.965%)
group192.168.0.3:
111:
16768(16.768%)
group192.168.0.0:
111:
16927(16.927%)
压力转移:
[192.168.0.0:
111-192.168.0.7:
111]:
3102
[192.168.0.4:
111-192.168.0.7:
111]:
4060
[192.168.0.2:
111-192.168.0.7:
111]:
3313
[192.168.0.1:
111-192.168.0.7:
111]:
3292
[192.168.0.3:
111-192.168.0.7:
111]:
3261
综上可以得出结论,在引入足够多的虚拟节点后,一致性hash还是能够比较完美地满足负载均衡需要的。
优雅缩扩容
缓存服务器对于性能有着较高的要求,因此我们希望在扩容时新的集群能够较快的填充好数据并工作。
但是从一个集群启动,到真正加入并可以提供服务之间还存在着不小的时间延迟,要实现更优雅的扩容,我们可以从两个方面出发:
1.高频Key预热
负载均衡器作为路由层,是可以收集并统计每个缓存Key的访问频率的,如果能够维护一份高频访问Key的列表,新的集群在启动时根据这个列表提前拉取对应Key的缓存值进行预热,便可以大大减少因为新增集群而导致的Key失效。
具体的设计可以通过缓存来实现,如下:
不过这个方案在实际使用时有一个很大的限制,那就是高频Key本身的缓存失效时间可能很短,预热时储存的Value在实际被访问到时可能已经被更新或者失效,处理不当会导致出现脏数据,因此实现难度还是有一些大的。
2.历史Hash环保留
回顾一致性Hash的扩容,不难发现新增节点后,它所对应的Key在原来的节点还会保留一段时间。
因此在扩容的延迟时间段,如果对应的Key缓存在新节点上还没有被加载,可以去原有的节点上尝试读取。
举例,假设我们原有3个集群,现在要扩展到6个集群,这就意味着原有50%的Key都会失效(被转移到新节点上),如果我们维护扩容前和扩容后的两个Hash环,在扩容后的Hash环上找不到Key的储存时,先转向扩容前的Hash环寻找一波,如果能够找到就返回对应的值并将该缓存写入新的节点上,找不到时再透过缓存,如下图:
这样做的缺点是增加了缓存读取的时间,但相比于直接击穿缓存而言还是要好很多的。
优点则是可以随意扩容多台机器,而不会产生大面积的缓存失效。
谈完了扩容,再谈谈缩容。
1.熔断机制
缩容后,剩余各个节点上的访问压力都会有所增加,此时如果某个节点因为压力过大而宕机,就可能会引发连锁反应。
因此作为兜底方案,应当给每个集群设立对应熔断机制来保护服务的稳定性。
2.多集群LB的更新延迟
这个问题在缩容时比较严重,如果你使用一个集群来作为负载均衡,并使用一个配置服务器比如ConfigServer来推送集群状态以构建Hash环,那么在某个集群退出时这个状态并不一定会被立刻同步到所有的LB上,这就可能会导致一个暂时的调度不一致,如下图:
如果某台LB错误地将请求打到了已经退出的集群上,就会导致缓存击穿。
解决这个问题主要有以下几种思路:
-缓慢缩容,等到Hash环完全同步后再操作。
可以通过监听退出集群的访问QPS来实现