鲁达 记得，我刚工作的时候，同事说了一个故事：在他刚工作的时候，他同事有一天兴冲冲的跑到公司说，你们知道吗，公司请了个大牛。大牛？对，那人会写AJAX！哇，真是大牛啊，跟着他，可以学不少东西啊。我听了笑了，但有点难以理解，因为现在几乎只要是一个开发，都会写AJAX，怎么写个AJAX就算大牛呢？后来我明白了，三年前高深莫测的技术到现在变得普普通通，不足为奇，就像我们今天要讲的负载均衡，在几何时，负载均衡只有大牛才能玩转起来，但是到今天，一个小开发都可以聊上几句。现在，就让我们简单的看看负载均衡把。
从负载均衡设备的角度来看，分为硬件负载均衡和软件负载均衡：
- 硬件负载均衡：比如最常见的F5，还有Array等，这些负载均衡是商业的负载均衡器，性能比较好，毕竟他们的就是为了负载均衡而生的，背后也有非常成熟的团队，可以提供各种解决方案，但是价格比较昂贵，所以没有充足的理由，充足的软妹币是不会考虑的。
- 软件负载均衡：包括我们耳熟能详的Nginx，LVS，Tengine（阿里对Nginx进行的改造）等。优点就是成本比较低，但是也需要有比较专业的团队去维护，要自己去踩坑，去DIY。
从负载均衡的技术来看，分为服务端负载均衡和客户端负载均衡：
- 服务端负载均衡：当我们访问一个服务，请求会先到另外一台服务器，然后这台服务器会把请求分发到提供这个服务的服务器，当然如果只有一台服务器，那好说，直接把请求给那一台服务器就可以了，但是如果有多台服务器呢？这时候，就会根据一定的算法选择一台服务器。
- 客户端负载均衡：客户端服务均衡的概念貌似是有了服务治理才产生的，简单的来说，就是在一台服务器上维护着所有服务的ip，名称等信息，当我们在代码中访问一个服务，是通过一个组件访问的，这个组件会从那台服务器上取到所有提供这个服务的服务器的信息，然后通过一定的算法，选择一台服务器进行请求。
从负载均衡的算法来看，又分为 随机，轮询，哈希，最小压力，当然可能还会加上权重的概念，负载均衡的算法就是本文的重点了。
欢迎工作一到五年的Java工程师朋友们加入Java程序员开发： 721575865
群内提供免费的Java架构学习资料（里面有高可用、高并发、高性能及分布式、Jvm性能调优、Spring源码，MyBatis，Netty,Redis,Kafka,Mysql,Zookeeper,Tomcat,Docker,Dubbo,Nginx等多个知识点的架构资料）合理利用自己每一分每一秒的时间来学习提升自己，不要再用"没有时间“来掩饰自己思想上的懒惰！趁年轻，使劲拼，给未来的自己一个交代！
随机
随机就是没有规律的，随便从负载中获得一台，又分为完全随机和加权随机：
完全随机
public class Servers { public List<String> list = new ArrayList<>() { { add("192.168.1.1"); add("192.168.1.2"); add("192.168.1.3"); } }; } public class FullRandom { static Servers servers = new Servers(); static Random random = new Random(); public static String go() { var number = random.nextIn()); return (number); } public static void main(String[] args) { for (var i = 0; i < 15; i++) { Sy(go()); } } }运行结果：
虽说现在感觉并不是那么随机，有的服务器经常被获得到，有的服务器获得的次数比较少，但是当有充足的请求次数，就会越来越平均，这正是随机数的一个特性。
完全随机是最简单的负载均衡算法了，缺点比较明显，因为服务器有好有坏，处理能力是不同的，我们希望性能好的服务器多处理些请求，性能差的服务器少处理一些请求，所以就有了加权随机。
加权随机
加权随机，虽然还是采用的随机算法，但是为每台服务器设置了权重，权重大的服务器获得的概率大一些，权重小的服务器获得的概率小一些。
关于加权随机的算法，有两种实现方式：
一种是网上流传的，代码比较简单：构建一个服务器的List，如果A服务器的权重是2，那么往List里面Add两次A服务器，如果B服务器的权重是7，那么我往List里面Add7次B服务器，以此类推，然后我再生成一个随机数，随机数的上限就是权重的总和，也就是List的Size。这样权重越大的，被选中的概率当然越高，代码如下：
public class Servers { public HashMap<String, Integer> map = new HashMap<>() { { put("192.168.1.1", 2); put("192.168.1.2", 7); put("192.168.1.3", 1); } }; } public class WeightRandom { static Servers servers = new Servers(); static Random random = new Random(); public static String go() { var ipList = new ArrayList<String>(); for (var item : ()) { for (var i = 0; i < i(); i++) { i()); } } int allWeight = ().stream().mapToInt(a -> a).sum(); var number = random.nextInt(allWeight); return i(number); } public static void main(String[] args) { for (var i = 0; i < 15; i++) { Sy(go()); } } }运行结果：
可以很清楚的看到，权重小的服务器被选中的概率相对是比较低的。
当然我在这里仅仅是为了演示，一般来说，可以把构建服务器List的代码移动到静态代码块中，不用每次都构建。
这种实现方式相对比较简单，很容易就能想到，但是也有缺点，如果我几台服务器权重设置的都很大，比如上千，上万，那么服务器List也有上万条数据，这不是白白占用内存吗？
所以聪明的程序员想到了第二种方式：
为了方便解释，还是就拿上面的例子来说吧：
如果A服务器的权重是2，B服务器的权重是7，C服务器的权重是1：
- 如果我生成的随机数是1，那么落到A服务器，因为1<=2（A服务器的权重）
- 如果我生成的随机数是5，那么落到B服务器，因为5>2（A服务器的权重），5-2（A服务器的权重）=3，3<7（B服务器的权重）
- 如果我生成的随机数是10，那么落到C服务器，因为10>2（A服务器的权重），10-2（A服务器的权重）=8，8>7（B服务器的权重），8-7（B服务器的权重）=1，
- 1<=1（C服务器的权重）
不知道博客对于大于小于符号，会不会有特殊处理，所以我再截个图：
也许，光看文字描述还是不够清楚，可以结合下面丑到爆炸的图片来理解下：
- 如果生成的随机数是5，那么落到第二块区域
- 如果生成的随机数是10，那么落到第三块区域
代码如下：
public class WeightRandom { static Servers servers = new Servers(); static Random random = new Random(); public static String go() { int allWeight = ().stream().mapToInt(a -> a).sum(); var number = random.nextInt(allWeight); for (var item : ()) { if (i() >= number) { return i(); } number -= i(); } return ""; } public static void main(String[] args) { for (var i = 0; i < 15; i++) { Sy(go()); } } }运行结果：
这种实现方式虽然相对第一种实现方式比较“绕”，但却是一种比较好的实现方式，
对内存没有浪费，权重大小和服务器List的Size也没有关系。
轮询
轮询又分为三种，1.完全轮询 2.加权轮询 3.平滑加权轮询
完全轮询
public class FullRound { static Servers servers = new Servers(); static int index; public static String go() { if (index == ()) { index = 0; } return (index++); } public static void main(String[] args) { for (var i = 0; i < 15; i++) { Sy(go()); } } }运行结果：
完全轮询，也是比较简单的，但是问题和完全随机是一样的，所以出现了加权轮询。
加权轮询
加权轮询还是有两种常用的实现方式，和加权随机是一样的，在这里，我就演示我认为比较好的一种：
public class WeightRound { static Servers servers = new Servers(); static int index; public static String go() { int allWeight = ().stream().mapToInt(a -> a).sum(); int number = (index++) % allWeight; for (var item : ()) { if (i() > number) { return i(); } number -= i(); } return ""; } public static void main(String[] args) { for (var i = 0; i < 15; i++) { Sy(go()); } } }运行结果：
加权轮询，看起来并没什么问题，但是还是有一点瑕疵，其中一台服务器的压力可能会突然上升，而另外的服务器却很“悠闲，喝着咖啡，看着新闻”。我们希望虽然是按照轮询，但是中间最好可以有交叉，所以出现了第三种轮询算法：平滑加权轮询。
平滑加权轮询
平滑加权是一个算法，很神奇的算法，我们有必要先对这个算法进行讲解。
比如A服务器的权重是5，B服务器的权重是1，C服务器的权重是1。
这个权重，我们称之为“固定权重”，既然这个叫“固定权重”，那么肯定还有叫“非固定权重的”，没错，“非固定权重”每次都会根据一定的规则变动。
- 第一次访问，ABC的“非固定权重”分别是 5 1 1（初始），因为5是其中最大的，5对应的就是A服务器，所以这次选到的服务器就是A，然后我们用当前被选中的服务器的权重-各个服务器的权重之和，也就是A服务器的权重-各个服务器的权重之和。也就是5-7=-2，没被选中的服务器的“非固定权重”不做变化，现在三台服务器的“非固定权重”分别是-2 1 1。
- 第二次访问，把第一次访问最后得到的“非固定权重”+“固定权重”，现在三台服务器的“非固定权重”是3，2，2，因为3是其中最大的，3对应的就是A服务器，所以这次选到的服务器就是A，然后我们用当前被选中的服务器的权重-各个服务器的权重之和，也就是A服务器的权重-各个服务器的权重之和。也就是3-7=-4，没被选中的服务器的“非固定权重”不做变化，现在三台服务器的“非固定权重”分别是-4 1 1。
- 第三次访问，把第二次访问最后得到的“非固定权重”+“固定权重”，现在三台服务器的“非固定权重”是1，3，3，这个时候3虽然是最大的，但是却出现了两个，我们选第一个，第一个3对应的就是B服务器，所以这次选到的服务器就是B，然后我们用当前被选中的服务器的权重-各个服务器的权重之和，也就是B服务器的权重-各个服务器的权重之和。也就是3-7=-4，没被选中的服务器的“非固定权重”不做变化，现在三台服务器的“非固定权重”分别是1 -4 3。
- ...
- 以此类推，最终得到这样的表格：
当第8次的时候，“非固定权重“又回到了初始的5 1 1，是不是很神奇，也许算法还是比较绕的，但是代码却简单多了：
public class Server { public Server(int weight, int currentWeight, String ip) { = weight; = currentWeight; = ip; } private int weight; private int currentWeight; private String ip; public int getWeight() { return weight; } public void setWeight(int weight) { = weight; } public int getCurrentWeight() { return currentWeight; } public void setCurrentWeight(int currentWeight) { = currentWeight; } public String getIp() { return ip; } public void setIp(String ip) { = ip; } } public class Servers { public HashMap<String, Server> serverMap = new HashMap<>() { { put("192.168.1.1", new Server(5,5,"192.168.1.1")); put("192.168.1.2", new Server(1,1,"192.168.1.2")); put("192.168.1.3", new Server(1,1,"192.168.1.3")); } }; } public class SmoothWeightRound { private static Servers servers = new Servers(); public static String go() { Server maxWeightServer = null; int allWeight = ().stream().mapToInt(Server::getWeight).sum(); for ;String, Server> item : ()) { var currentServer = i(); if (maxWeightServer == null || curren() > maxWeigh()) { maxWeightServer = currentServer; } } assert maxWeightServer != null; maxWeig(maxWeigh() - allWeight); for ;String, Server> item : ()) { var currentServer = i(); curren(curren() + curren()); } return maxWeig(); } public static void main(String[] args) { for (var i = 0; i < 15; i++) { Sy(go()); } } }运行结果：
这就是平滑加权轮询，巧妙的利用了巧妙算法，既有轮询的效果，又避免了某台服务器压力突然升高，不可谓不妙。
哈希
负载均衡算法中的哈希算法，就是根据某个值生成一个哈希值，然后对应到某台服务器上去，当然可以根据用户，也可以根据请求参数，或者根据其他，想怎么来就怎么来。如果根据用户，就比较巧妙的解决了负载均衡下Session共享的问题，用户小明走的永远是A服务器，用户小笨永远走的是B服务器。
那么如何用代码实现呢，这里又需要引出一个新的概念：哈希环。
什么？我只听过奥运五环，还有“啊 五环 你比四环多一环，啊 五环 你比六环少一环”，这个哈希环又是什么鬼？容我慢慢道来。
哈希环，就是一个环！这...好像...有点难解释呀，我们还是画图来说明把。
一个圆是由无数个点组成的，这是最简单的数学知识，相信大家都可以理解吧，哈希环也一样，哈希环也是有无数个“哈希点”构成的，当然并没有“哈希点”这样的说法，只是为了便于大家理解。
我们先计算出服务器的哈希值，比如根据IP，然后把这个哈希值放到环里，如上图所示。
来了一个请求，我们再根据某个值进行哈希，如果计算出来的哈希值落到了A和B的中间，那么按照顺时针算法，这个请求给B服务器。
理想很丰满，现实很孤单，可能三台服务器掌管的“区域”大小相差很大很大，或者干脆其中一台服务器坏了，会出现如下的情况：
可以看出，A掌管的“区域”实在是太大，B可以说是“很悠闲，喝着咖啡，看着电影”，像这种情况，就叫“哈希倾斜”。
那么怎么避免这种情况呢？虚拟节点。
什么是虚拟节点呢，说白了，就是虚拟的节点...好像..没解释啊...还是上一张丑到爆炸的图吧：
其中，正方形的是真实的节点，或者说真实的服务器，五边形的是虚拟节点，或者说是虚拟的服务器，当一个请求过来，落到了A1和B1之间，那么按照顺时针的规则，应该由B1服务器进行处理，但是B1服务器是虚拟的，它是从B服务器映射出来的，所以再交给B服务器进行处理。
要实现此种负载均衡算法，需要用到一个平时不怎么常用的Map：TreeMap，对TreeMap不了解的朋友可以先去了解下TreeMap，下面放出代码：
private static String go(String client) { int nodeCount = 20; TreeMap<Integer, String> treeMap = new TreeMap(); for (String s : new Servers().list) { for (int i = 0; i < nodeCount; i++) ((s + "--服务器---" + i).hashCode(), s); } int clientHash = client.hashCode(); SortedMap<Integer, String> subMap = (clientHash); Integer firstHash; if () > 0) { firstHash = (); } else { firstHash = (); } String s = (firstHash); return s; } public static void main(String[] args) { Sy(go("今天天气不错啊")); Sy(go("192.168.5.258")); Sy(go("0")); Sy(go("-110000")); Sy(go("风雨交加")); }运行结果：
哈希负载均衡算法到这里就结束了。
最小压力
所以的最小压力负载均衡算法就是 选择一台当前最“悠闲”的服务器，如果A服务器有100个请求，B服务器有5个请求，而C服务器只有3个请求，那么毫无疑问会选择C服务器，这种负载均衡算法是比较科学的。但是遗憾的在当前的场景下无法模拟出来“原汁原味”的最小压力负载均衡算法的。
当然在实际的负载均衡下，可能会将多个负载均衡算法合在一起实现，比如先根据最小压力算法，当有几台服务器的压力一样小的时候，再根据权重取出一台服务器，如果权重也一样，再随机取一台，等等。
今天的内容到这里就结束了，谢谢大家。
欢迎工作一到五年的Java工程师朋友们加入Java程序员开发： 721575865
群内提供免费的Java架构学习资料（里面有高可用、高并发、高性能及分布式、Jvm性能调优、Spring源码，MyBatis，Netty,Redis,Kafka,Mysql,Zookeeper,Tomcat,Docker,Dubbo,Nginx等多个知识点的架构资料）合理利用自己每一分每一秒的时间来学习提升自己，不要再用"没有时间“来掩饰自己思想上的懒惰！趁年轻，使劲拼，给未来的自己一个交代！