负载均衡

租户的后端集群一般包含了多个子集群，每个后端子集群分别部署在不同地域不同机房中。每个子集群包含了一组处理能力差异化的后端实例。

业务通常采用多个后端子集群方式来管理后端服务, 可以带来如下好处：

1. 多个子集群属于不同的故障隔离域，某个子集群出现故障（例如分级变更上线异常）, 可以快速切换流量止损并提升整体可用性
2. 多个子集群分布在离用户更近位置，可支持就近处理用户请求并优化访问体验
3. 多个子集群同时服务提升整体容量，以满足高并发的互联网用户请求

相对应的，BFE的流量负载均衡包含了两个层级：

1. 全局负载均衡(GSLB)：BFE集群利用全量的用户流量、后端容量、网络情况，在多个后端子集群之间实现负载均衡。实现全局近实时决策优化，满足就近分发、调度止损、过载保护等目标。
2. 分布式负载均衡(SLB)：BFE实例分别独立的，将某个子集群的流量，在其多个后端实例之间实现负载均衡。实现细粒度实时负载均衡，满足实例均衡、异常实例屏蔽、重试容错等目标。

全局负载均衡

BFE在后端集群的多个子集群之间，采用基于WRR算法的负载均衡策略。 算法实现详见均衡模块 bfe_balance/bal_gslb/bal_gslb.go:subClusterBalance()。

全局负载均衡算法包括如下两个执行步骤：

步骤一、请求亲缘性及分桶处理

用户请求可能具有亲缘性，即需要常态将特定请求固定转发给某个子集群。例如:

1. 来自某个用户的请求，常态固定转发给某个子集群处理，以便于用户分组管理
2. 包含某个查询的请求，常态固定转发给某个子集群处理，以满足缓存友好性

为实现感知请求内容的负载均衡，BFE支持以下三种方式标识请求：

1. 基于请求指定Header或Cookie

2. 基于请求来源IP

3. 优先基于请求指定Header或Cookie，缺失情况下基于请求IP

// bfe_balance/bal_gslb/bal_gslb.go 

switch *bal.hashConf.HashStrategy {
      case cluster_conf.ClientIdOnly:
              hashKey = getHashKeyByHeader(req, *bal.hashConf.HashHeader)

      case cluster_conf.ClientIpOnly:
              hashKey = clientIP

      case cluster_conf.ClientIdPreferred:
              hashKey = getHashKeyByHeader(req, *bal.hashConf.HashHeader)
              if hashKey == nil {
                      hashKey = clientIP
              }
}

// if hashKey is empty, use random value
if len(hashKey) == 0 {
        hashKey = make([]byte, 8)
        binary.BigEndian.PutUint64(hashKey, rand.Uint64())
}

return hashKey

算法将用户的请求切分为100个桶，并基于指定策略(例如基于请求Cookie中的用户ID)，将特定请求固定哈希到其中某个桶

// bfe_balance/bal_slb/bal_rr.go 

func GetHash(value []byte, base uint) int {
      var hash uint64

      if value == nil {
            hash = uint64(rand.Uint32())
      } else {
            hash = murmur3.Sum64(value)
      }
      return int(hash % uint64(base))
}

步骤二、请求桶分配及均衡

算法将100个桶，分配给权重和为100的所有子集群。

例如后端集群包含3个子集群S1/S2/S3，其权重分别为W1/W2/W3 且 W1+W2+W3=100, 则:

• 子集群S1分配到桶号范围为 [0, W1)
• 子集群S2分配到桶号范围为 [W1, W1+W2)
• 子集群S3分配到桶号范围为 [W1+W2,100)

// bfe_balance/bal_gslb/bal_gslb.go

// Calculate bucket number for incoming request
w = bal_slb.GetHash(value, uint(bal.totalWeight))

for i := 0; i < len(bal.subClusters); i++ {
        subCluster = bal.subClusters[i]

        // Find target subcluster for specified bucket
        w -= subCluster.weight
        if w < 0 {
              return subCluster, nil
        }
}

// Never come here
return nil, err.News("subcluster balancing failure") 

分布式负载均衡

BFE在后端子集群的多个实例之间，支持多种负载均衡策略，包括:

• WRR: 加权轮训策略
• WLC: 加权最小连接数策略

算法实现详见 bfe_balance/bal_slb/bal_rr.go:Balance()。下文仅以WRR算法为例结合示例场景重点介绍。

步骤一、初始随机排序后端实例列表

BFE各转发实例在初始加载（或更新）后端子集群实例时，对实例列表预处理并随机排序。

// bfe_config/bfe_cluster_conf/cluster_table_conf/cluster_table_load.go

func (allClusterBackend AllClusterBackend) Shuffle() {
      for _, clusterBackend := range allClusterBackend {
            for _, backends := range clusterBackend {
                   backends.Shuffle()
            }
      }
}

这是为了避免在BFE转发实例较多情况下，由于各BFE转发实例产生相同的均衡结果，导致负载不均的情况。举例说明：假如上游的BFE集群规模是1000个实例，实际到达到用户请求是1000QPS，下游的后端子集群包含了10个后端实例，则可能周期性出现：

• 第一秒各BFE转发实例仅向第一个后端实例转发1000个请求
• 第二秒各BFE转发实例仅向第二个后端实例转发1000个请求
• 依次类推

BFE通过预先随机打乱后端子集群实例顺序，来避免以上负载不均的问题。

步骤二、平滑均衡选择后端实例

在后端实例权重差异较大情况下，也可能会出现负载不均的情况，表现为：虽然一个周期内各实例选中次数满足相应权重比例，但可能出现权重较大的实例连续多次被选择，而使得其它低权重的实例较长时间未分配流量。

为避免负载不均的情况，BFE使用了如下的WRR算法，简化的算法伪代码如下：

// bfe_balance/bal_slb/bal_rr.go 

func smoothBalance(backs BackendList) (*backend.BfeBackend, error) {
      var best *BackendRR
      total, max := 0, 0

      for _, backendRR := range backs {
                backend := backendRR.backend

                // select backend with greatest current weight
                if best == nil || backendRR.current > max {
                      best = backendRR
                      max = backendRR.current
                }
                total += backendRR.current

                // update current weight
                backendRR.current += backendRR.weight
      }

      // update current weight for chosen backend
      best.current -= total

      return best.backend, nil
}

算法针对每个实例维护了两个参数：实例权重（Weight）、实例偏好指数（Current）。每次算法从所有可用后端列表中选出最佳后端的过程如下：

• 选择实例偏好指数最大的实例
• 更新各实例偏好指数：
  • 对各实例的偏好指数值，分别加上该实例权重
• 对于选中实例，对其偏好指数值减去所有实例的偏好指数（在加上实例权重之前的值）总和

例如: 假设后端子集群包含三个后端实例a/b/c，权重分别为 5/1/1。如果基于以上算法，选择的过程如下：