工作原理

dubbo 工作原理

  • 第一层：service 层，接口层，给服务提供者和消费者来实现的
  • 第二层：config 层，配置层，主要是对 dubbo 进行各种配置的
  • 第三层：proxy 层，服务代理层，无论是 consumer 还是 provider，dubbo 都会给你生成代理，代理之间进行网络通信
  • 第四层：registry 层，服务注册层，负责服务的注册与发现
  • 第五层：cluster 层，集群层，封装多个服务提供者的路由以及负载均衡，将多个实例组合成一个服务
  • 第六层：monitor 层，监控层，对 rpc 接口的调用次数和调用时间进行监控
  • 第七层：protocal 层，远程调用层，封装 rpc 调用
  • 第八层：exchange 层，信息交换层，封装请求响应模式，同步转异步
  • 第九层：transport 层，网络传输层，抽象 mina 和 netty 为统一接口

  • 第十层：serialize 层，数据序列化层

    工作流程

  • 第一步：provider 向注册中心去注册

  • 第二步：consumer 从注册中心订阅服务，注册中心会通知 consumer 注册好的服务
  • 第三步：consumer 调用 provider
  • 第四步：consumer 和 provider 都异步通知监控中心

Dubbo原理 - 图1

注册中心挂了可以继续通信吗？

可以，因为刚开始初始化的时候，消费者会将提供者的地址等信息拉取到本地缓存，所以注册中心挂了可以继续通信。

负载均衡

负载均衡介绍

负载均衡，英文名称为Load Balance，指由多台服务器以对称的方式组成一个服务器集合，每台服务器都具有等价的地位，都可以单独对外提供服务而无须其他服务器的辅助。
通过某种负载分担技术，将外部发送来的请求均匀分配到对称结构中的某一台服务器上，而接收到请求的服务器独立地回应客户的请求。
负载均衡能够平均分配客户请求到服务器阵列，借此提供快速获取重要数据，解决大量并发访问服务问题，这种集群技术可以用最少的投资获得接近于大型主机的性能。

负载均衡方式

负载均衡分为软件负载均衡和硬件负载均衡

软件负载均衡

常见的负载均衡软件有Nginx、LVS、HAProxy。
关于这几个软件的特点比较不是本文重点，感兴趣同学可以参见博客：

● （总结）Nginx/LVS/HAProxy负载均衡软件的优缺点详解：http://www.ha97.com/5646.html
● 三大主流软件负载均衡器对比(LVS 、 Nginx 、Haproxy)：http://www.21yunwei.com/archives/5824

硬件负载均衡

常见的负载均衡硬件有Array、F5。

负载均衡算法

常见的负载均衡算法有：随机算法、加权轮询、一致性hash、最小活跃数算法。
千万别以为这几个算法看上去都特别简单，但其实真正在生产上用到时会远比你想的复杂

算法前提条件

定义一个服务器列表，每个负载均衡的算法会从中挑出一个服务器作为算法的结果。

  1. public class ServerIps {
  2. private static final List LIST = Arrays.asList(
  3. "192.168.0.1",
  4. "192.168.0.2",
  5. "192.168.0.3",
  6. "192.168.0.4",
  7. "192.168.0.5",
  8. "192.168.0.6",
  9. "192.168.0.7",
  10. "192.168.0.8",
  11. "192.168.0.9",
  12. "192.168.0.10"
  13. );
  14. }

随机算法-RandomLoadBalance

先来个最简单的实现。

  1. public class Random {
  2.     public static String getServer() {
  3.         // 生成一个随机数作为list的下标值
  4.         java.util.Random random = new java.util.Random();
  5.         int randomPos = random.nextInt(ServerIps.LIST.size());
  6.         return ServerIps.LIST.get(randomPos);
  7.     }
  8.     public static void main(String[] args) {
  9.         // 连续调用10次
  10.         for (int i=0; i<10; i++) {
  11.             System.out.println(getServer());
  12.         }
  13.     }
  14. }

运行结果：

  1. 运行结果：
  2. 192.168.0.3
  3. 192.168.0.4
  4. 192.168.0.7
  5. 192.168.0.1
  6. 192.168.0.2
  7. 192.168.0.7
  8. 192.168.0.3
  9. 192.168.0.9
  10. 192.168.0.1
  11. 192.168.0.1

当调用次数比较少时，Random 产生的随机数可能会比较集中，此时多数请求会落到同一台服务器上，只有在经过多次请求后，才能使调用请求进行“均匀”分配。调用量少这一点并没有什么关系，负载均衡机制不正是为了应对请求量多的情况吗，所以随机算法也是用得比较多的一种算法。

但是，上面的随机算法适用于每天机器的性能差不多的时候，实际上，生产中可能某些机器的性能更高一点，它可以处理更多的请求，所以，我们可以对每台服务器设置一个权重。
在ServerIps类中增加服务器权重对应关系MAP，权重之和为50：

  1. public static final Map<String, Integer> WEIGHT_LIST = new HashMap<String, Integer>();
  2.     static {
  3.         // 权重之和为50
  4.         WEIGHT_LIST.put("192.168.0.1", 1);
  5.         WEIGHT_LIST.put("192.168.0.2", 8);
  6.         WEIGHT_LIST.put("192.168.0.3", 3);
  7.         WEIGHT_LIST.put("192.168.0.4", 6);
  8.         WEIGHT_LIST.put("192.168.0.5", 5);
  9.         WEIGHT_LIST.put("192.168.0.6", 5);
  10.         WEIGHT_LIST.put("192.168.0.7", 4);
  11.         WEIGHT_LIST.put("192.168.0.8", 7);
  12.         WEIGHT_LIST.put("192.168.0.9", 2);
  13.         WEIGHT_LIST.put("192.168.0.10", 9);
  14.     }

那么现在的随机算法应该要改成权重随机算法，当调用量比较多的时候，服务器使用的分布应该近似对应权重的分布。

权重随机算法

简单的实现思路是，把每个服务器按它所对应的服务器进行复制，具体看代码更加容易理解

  1. public class Random {
  2.     public static String getServer() {
  3.         // 生成一个随机数作为list的下标值
  4.         java.util.Random random = new java.util.Random();
  5.         int randomPos = random.nextInt(ServerIps.LIST.size());
  6.         return ServerIps.LIST.get(randomPos);
  7.     }
  8.     public static void main(String[] args) {
  9.         // 连续调用10次
  10.         for (int i=0; i<10; i++) {
  11.             System.out.println(getServer());
  12.         }
  13.     }
  14. }

运行结果：

  2. 192.168.0.3
  3. 192.168.0.4
  4. 192.168.0.7
  5. 192.168.0.1
  6. 192.168.0.2
  7. 192.168.0.7
  8. 192.168.0.3
  9. 192.168.0.9
  10. 192.168.0.1
  11. 192.168.0.1

这种实现方法在遇到权重之和特别大的时候就会比较消耗内存，因为需要对ip地址进行复制，权重之和越大那么上文中的ips就需要越多的内存，下面介绍另外一种实现思路。
假设我们有一组服务器 servers = [A, B, C]，他们对应的权重为 weights = [5, 3, 2]，权重总和为10。现在把这些权重值平铺在一维坐标值上，[0, 5) 区间属于服务器 A，[5, 8) 区间属于服务器 B，[8, 10) 区间属于服务器 C。接下来通过随机数生成器生成一个范围在 [0, 10) 之间的随机数，然后计算这个随机数会落到哪个区间上。比如数字3会落到服务器 A 对应的区间上，此时返回服务器 A 即可。权重越大的机器，在坐标轴上对应的区间范围就越大，因此随机数生成器生成的数字就会有更大的概率落到此区间内。只要随机数生成器产生的随机数分布性很好，在经过多次选择后，每个服务器被选中的次数比例接近其权重比例。比如，经过一万次选择后，服务器 A 被选中的次数大约为5000次，服务器 B 被选中的次数约为3000次，服务器 C 被选中的次数约为2000次。
假设现在随机数offset=7：

  1. offset<5 is false，所以不在[0, 5)区间，将offset = offset - 5（offset=2）
  2. offset<3 is true，所以处于[5, 8)区间，所以应该选用B服务器
    实现如下：
    1. public class WeightRandomV2 {
    2.  public static String getServer() {
    3.      int totalWeight = 0;
    4.      boolean sameWeight = true; // 如果所有权重都相等，那么随机一个ip就好了
    5.      Object[] weights = ServerIps.WEIGHT_LIST.values().toArray();
    6.      for (int i = 0; i < weights.length; i++) {
    7.          Integer weight = (Integer) weights[i];
    8.          totalWeight += weight;
    9.          if (sameWeight && i > 0 && !weight.equals(weights[i - 1])) {
    10.              sameWeight = false;
    11.          }
    12.      }
    13.      java.util.Random random = new java.util.Random();
    14.      int randomPos = random.nextInt(totalWeight);
    15.      if (!sameWeight) {
    16.          for (String ip : ServerIps.WEIGHT_LIST.keySet()) {
    17.              Integer value = ServerIps.WEIGHT_LIST.get(ip);
    18.              if (randomPos < value) {
    19.                  return ip;
    20.              }
    21.              randomPos = randomPos - value;
    22.          }
    23.      }
    24.      return (String) ServerIps.WEIGHT_LIST.keySet().toArray()[new java.util.Random().nextInt(ServerIps.WEIGHT_LIST.size())];
    25.  }
    26.  public static void main(String[] args) {
    27.      // 连续调用10次
    28.      for (int i = 0; i < 10; i++) {
    29.          System.out.println(getServer());
    30.      } 
    31.  }
    32. }

这就是另外一种权重随机算法。

轮询算法-RoundRobinLoadBalance

简单的轮询算法很简单

  1. public class RoundRobin {
  2.     // 当前循环的位置
  3.     private static Integer pos = 0;
  4.     public static String getServer() {
  5.         String ip = null;
  6.         // pos同步
  7.         synchronized (pos) {
  8.             if (pos >= ServerIps.LIST.size()) {
  9.                 pos = 0;
  10.             }
  11.             ip = ServerIps.LIST.get(pos);
  12.             pos++;
  13.         }
  14.         return ip;
  15.     }
  16.     public static void main(String[] args) {
  17.         // 连续调用10次
  18.         for (int i = 0; i < 11; i++) {
  19.             System.out.println(getServer());
  20.         }
  21.     }
  22. }

对比Ribbon内部简单轮询实现
Dubbo原理 - 图2

  1. 运行结果：
  2. 192.168.0.1
  3. 192.168.0.2
  4. 192.168.0.3
  5. 192.168.0.4
  6. 192.168.0.5
  7. 192.168.0.6
  8. 192.168.0.7
  9. 192.168.0.8
  10. 192.168.0.9
  11. 192.168.0.10
  12. 192.168.0.1

这种算法很简单，也很公平，每台服务轮流来进行服务，但是有的机器性能好，所以能者多劳，和随机算法一下，加上权重这个维度之后，其中一种实现方法就是复制法，这里就不演示了，这种复制算法的缺点和随机算法的是一样的，比较消耗内存，那么自然就有其他实现方法。我下面来介绍一种算法：
这种算法需要加入一个概念：调用编号，比如第1次调用为1， 第2次调用为2， 第100次调用为100，调用编号是递增的，所以我们可以根据这个调用编号推算出服务器。
假设我们有三台服务器 servers = [A, B, C]，对应的权重为 weights = [ 2, 5, 1], 总权重为8，我们可以理解为有8台“服务器”，这是8台“不具有并发功能”，其中有2台为A，5台为B，1台为C，一次调用过来的时候，需要按顺序访问，比如有10次调用，那么服务器调用顺序为AABBBBBCAA，调用编号会越来越大，而服务器是固定的，所以需要把调用编号“缩小”，这里对调用编号进行取余，除数为总权重和，比如：

  1. 1号调用，1%8=1；
  2. 2号调用，2%8=2；
  3. 3号调用，3%8=3；
  4. 8号调用，8%8=0；
  5. 9号调用，9%8=1；
  6. 100号调用，100%8=4；
    我们发现调用编号可以被缩小为0-7之间的8个数字，问题是怎么根据这个8个数字找到对应的服务器呢？和我们随机算法类似，这里也可以把权重想象为一个坐标轴“0——-2——-7——-8”
  7. 1号调用，1%8=1，offset = 1, offset <= 2 is true，取A；
  8. 2号调用，2%8=2；offset = 2，offset <= 2 is true, 取A;
  9. 3号调用，3%8=3；offset = 3, offset <= 2 is false, offset = offset - 2, offset = 1, offset <= 5，取B
  10. 8号调用，8%8=0；offset = 0, 特殊情况，offset = 8，offset <= 2 is false, offset = offset - 2, offset = 6, offset <= 5 is false, offset = offset - 5, offset = 1, offset <= 1 is true, 取C;
  11. 9号调用，9%8=1；// …
  12. 100号调用，100%8=4； //…
    实现：
    模拟调用编号获取工具：
    1. public class Sequence {
    2. public static Integer num = 0;
    3. public static Integer getAndIncrement() {
    4.     return ++num;
    5. }
    6. }
    1. public class WeightRoundRobin {
    2. private static Integer pos = 0;
    3. public static String getServer() {
    4.     int totalWeight = 0;
    5.     boolean sameWeight = true; // 如果所有权重都相等，那么随机一个ip就好了
    6.     Object[] weights = ServerIps.WEIGHT_LIST.values().toArray();
    7.     for (int i = 0; i < weights.length; i++) {
    8.         Integer weight = (Integer) weights[i];
    9.         totalWeight += weight;
    10.         if (sameWeight && i > 0 && !weight.equals(weights[i - 1])) {
    11.             sameWeight = false;
    12.         }
    13.     }
    14.     Integer sequenceNum = Sequence.getAndIncrement();
    15.     Integer offset = sequenceNum % totalWeight;
    16.     offset = offset == 0 ?  totalWeight : offset;
    17.     if (!sameWeight) {
    18.         for (String ip : ServerIps.WEIGHT_LIST.keySet()) {
    19.             Integer weight = ServerIps.WEIGHT_LIST.get(ip);
    20.             if (offset <= weight) {
    21.                 return ip;
    22.             }
    23.             offset = offset - weight;
    24.         }
    25.     }
    26.     String ip = null;
    27.     synchronized (pos) {
    28.         if (pos >= ServerIps.LIST.size()) {
    29.             pos = 0;
    30.         }
    31.         ip = ServerIps.LIST.get(pos);
    32.         pos++;
    33.     }
    34.     return ip;
    35. }
    36. public static void main(String[] args) {
    37.     // 连续调用11次
    38.     for (int i = 0; i < 11; i++) {
    39.         System.out.println(getServer());
    40.     }
    41. }
    42. }

运行结果：

  1. 192.168.0.1
  2. 192.168.0.2
  3. 192.168.0.2
  4. 192.168.0.2
  5. 192.168.0.2
  6. 192.168.0.2
  7. 192.168.0.2
  8. 192.168.0.2
  9. 192.168.0.2
  10. 192.168.0.3
  11. 192.168.0.3

但是这种算法有一个缺点：一台服务器的权重特别大的时候，他需要连续的的处理请求，但是实际上我们想达到的效果是，对于100次请求，只要有100*8/50=16次就够了，这16次不一定要连续的访问，比如假设我们有三台服务器 servers = [A, B, C]，对应的权重为 weights = [5, 1, 1] , 总权重为7，那么上述这个算法的结果是：AAAAABC，那么如果能够是这么一个结果呢：AABACAA，把B和C平均插入到5个A中间，这样是比较均衡的了。

我们这里可以改成平滑加权轮询。

平滑加权轮询


思路：每个服务器对应两个权重，分别为 weight 和 currentWeight。其中 weight 是固定的，currentWeight 会动态调整，初始值为0。当有新的请求进来时，遍历服务器列表，让它的 currentWeight 加上自身权重。遍历完成后，找到最大的 currentWeight，并将其减去权重总和，然后返回相应的服务器即可。

请求编号 currentWeight 数组 (current_weight += weight) 选择结果(max(currentWeight)) 减去权重总和后的currentWeight 数组（max(currentWeight) -= sum(weight))
1 [5, 1, 1] A [-2, 1, 1]
2 [3, 2, 2] A [-4, 2, 2]
3 [1, 3, 3] B [1, -4, 3]
4 [6, -3, 4] A [-1, -3, 4]
5 [4, -2, 5] C [4, -2, -2]
6 [9, -1, -1] A [2, -1, -1]
7 [7, 0, 0] A [0, 0, 0]


如上，经过平滑性处理后，得到的服务器序列为 [A, A, B, A, C, A, A]，相比之前的序列 [A, A, A, A, A, B, C]，分布性要好一些。初始情况下 currentWeight = [0, 0, 0]，第7个请求处理完后，currentWeight 再次变为 [0, 0, 0]。

实现：

  1. // 增加一个Weight类，用来保存ip, weight（固定不变的原始权重）, currentweight（当前会变化的权重）
  2. public class Weight {
  3.     private String ip;
  4.     private Integer weight;
  5.     private Integer currentWeight;
  6.     public Weight(String ip, Integer weight, Integer currentWeight) {
  7.         this.ip = ip;
  8.         this.weight = weight;
  9.         this.currentWeight = currentWeight;
  10.     }
  11.     public String getIp() {
  12.         return ip;
  13.     }
  14.     public void setIp(String ip) {
  15.         this.ip = ip;
  16.     }
  17.     public Integer getWeight() {
  18.         return weight;
  19.     }
  20.     public void setWeight(Integer weight) {
  21.         this.weight = weight;
  22.     }
  23.     public Integer getCurrentWeight() {
  24.         return currentWeight;
  25.     }
  26.     public void setCurrentWeight(Integer currentWeight) {
  27.         this.currentWeight = currentWeight;
  28.     }
  29. }
  1. public class WeightRoundRobinV2 {
  2.     private static Map<String, Weight> weightMap = new HashMap<String, Weight>();
  3.     public static String getServer() {
  4.         // java8
  5.         int totalWeight = ServerIps.WEIGHT_LIST.values().stream().reduce(0, (w1, w2) -> w1+w2);
  6.         // 初始化weightMap，初始时将currentWeight赋值为weight
  7.         if (weightMap.isEmpty()) {
  8.             ServerIps.WEIGHT_LIST.forEach((key, value) -> {
  9.                 weightMap.put(key, new Weight(key, value, value));
  10.             });
  11.         }
  12.         // 找出currentWeight最大值
  13.         Weight maxCurrentWeight = null;
  14.         for (Weight weight : weightMap.values()) {
  15.             if (maxCurrentWeight == null || weight.getCurrentWeight() > maxCurrentWeight.getCurrentWeight()) {
  16.                 maxCurrentWeight = weight;
  17.             }
  18.         }
  19.         // 将maxCurrentWeight减去总权重和
  20.         maxCurrentWeight.setCurrentWeight(maxCurrentWeight.getCurrentWeight() - totalWeight);
  21.         // 所有的ip的currentWeight统一加上原始权重
  22.         for (Weight weight : weightMap.values()) {
  23.            weight.setCurrentWeight(weight.getCurrentWeight() + weight.getWeight());
  24.         }
  25.         // 返回maxCurrentWeight所对应的ip
  26.         return maxCurrentWeight.getIp();
  27.     }
  28.     public static void main(String[] args) {
  29.         // 连续调用10次
  30.         for (int i = 0; i < 10; i++) {
  31.             System.out.println(getServer());
  32.         }
  33.     }
  34. }

讲ServerIps里的数据简化为：

  1. WEIGHT_LIST.put("A", 5);
  2. WEIGHT_LIST.put("B", 1);
  3. WEIGHT_LIST.put("C", 1);

运行结果：

  1. A
  2. A
  3. B
  4. A
  5. C
  6. A
  7. A
  8. A
  9. A
  10. B

这就是轮询算法，一个循环很简单，但是真正在实际运用的过程中需要思考更多。

一致性哈希算法-ConsistentHashLoadBalance

服务器集群接收到一次请求调用时，可以根据根据请求的信息，比如客户端的ip地址，或请求路径与请求参数等信息进行哈希，可以得出一个哈希值，特点是对于相同的ip地址，或请求路径和请求参数哈希出来的值是一样的，只要能再增加一个算法，能够把这个哈希值映射成一个服务端ip地址，就可以使相同的请求（相同的ip地址，或请求路径和请求参数）落到同一服务器上。
因为客户端发起的请求情况是无穷无尽的（客户端地址不同，请求参数不同等等），所以对于的哈希值也是无穷大的，所以我们不可能把所有的哈希值都进行映射到服务端ip上，所以这里需要用到哈希环。如下图：

Dubbo原理 - 图3
● 哈希值如果需要ip1和ip2之间的，则应该选择ip2作为结果；
● 哈希值如果需要ip2和ip3之间的，则应该选择ip3作为结果；
● 哈希值如果需要ip3和ip4之间的，则应该选择ip4作为结果；
● 哈希值如果需要ip4和ip1之间的，则应该选择ip1作为结果；

上面这情况是比较均匀情况，如果出现ip4服务器不存在，那就是这样了：
image.png
会发现，ip3和ip1直接的范围是比较大的，会有更多的请求落在ip1上，这是不“公平的”，解决这个问题需要加入虚拟节点，比如：

image.png
其中ip2-1, ip3-1就是虚拟结点，并不能处理节点，而是等同于对应的ip2和ip3服务器。
实际上，这只是处理这种不均衡性的一种思路，实际上就算哈希环本身是均衡的，你也可以增加更多的虚拟节点来使这个环更加平滑，比如：
image.png
这个彩环也是“公平的”，并且只有ip1,2,3,4是实际的服务器ip，其他的都是虚拟ip。
那么我们怎么来实现呢？
对于我们的服务端ip地址，我们肯定知道总共有多少个，需要多少个虚拟节点也有我们自己控制，虚拟节点越多则流量越均衡，另外哈希算法也是很关键的，哈希算法越散列流量也将越均衡。
实现：

  1. public class ConsistentHash {
  2.     private static SortedMap<Integer, String> virtualNodes = new TreeMap<>();
  3.     private static final int VIRTUAL_NODES = 160;
  4.     static {
  5.         // 对每个真实节点添加虚拟节点，虚拟节点会根据哈希算法进行散列
  6.         for (String ip : ServerIps.LIST) {
  7.             for (int i = 0; i < VIRTUAL_NODES; i++) {
  8.                 int hash = getHash(ip+"VN"+i);
  9.                 virtualNodes.put(hash, ip);
  10.             }
  11.         }
  12.     }
  13.     private static String getServer(String client) {
  14.         int hash = getHash(client);
  15.         // 得到大于该Hash值的排好序的Map
  16.         SortedMap<Integer, String> subMap = virtualNodes.tailMap(hash);
  17.         // 大于该hash值的第一个元素的位置
  18.         Integer nodeIndex = subMap.firstKey();
  19.         // 如果不存在大于该hash值的元素，则返回根节点
  20.         if (nodeIndex == null) {
  21.             nodeIndex = virtualNodes.firstKey();
  22.         }
  23.         // 返回对应的虚拟节点名称
  24.         return subMap.get(nodeIndex);
  25.     }
  26.     private static int getHash(String str) {
  27.         final int p = 16777619;
  28.         int hash = (int) 2166136261L;
  29.         for (int i = 0; i < str.length(); i++)
  30.             hash = (hash ^ str.charAt(i)) * p;
  31.         hash += hash << 13;
  32.         hash ^= hash >> 7;
  33.         hash += hash << 3;
  34.         hash ^= hash >> 17;
  35.         hash += hash << 5;
  36.         // 如果算出来的值为负数则取其绝对值
  37.         if (hash < 0)
  38.             hash = Math.abs(hash);
  39.         return hash;
  40.     }
  41.     public static void main(String[] args) {
  42.         // 连续调用10次,随机10个client
  43.         for (int i = 0; i < 10; i++) {
  44.             System.out.println(getServer("client" + i));
  45.         }
  46.     }
  47. }

最小活跃数算法-LeastActiveLoadBalance

前面几种方法主要目标是使服务端分配到的调用次数尽量均衡，但是实际情况是这样吗？调用次数相同，服务器的负载就均衡吗？当然不是，这里还要考虑每次调用的时间，而最小活跃数算法则是解决这种问题的。
活跃调用数越小，表明该服务提供者效率越高，单位时间内可处理更多的请求。此时应优先将请求分配给该服务提供者。在具体实现中，每个服务提供者对应一个活跃数。初始情况下，所有服务提供者活跃数均为0。每收到一个请求，活跃数加1，完成请求后则将活跃数减1。在服务运行一段时间后，性能好的服务提供者处理请求的速度更快，因此活跃数下降的也越快，此时这样的服务提供者能够优先获取到新的服务请求、这就是最小活跃数负载均衡算法的基本思想。除了最小活跃数，最小活跃数算法在实现上还引入了权重值。所以准确的来说，最小活跃数算法是基于加权最小活跃数算法实现的。举个例子说明一下，在一个服务提供者集群中，有两个性能优异的服务提供者。某一时刻它们的活跃数相同，则会根据它们的权重去分配请求，权重越大，获取到新请求的概率就越大。如果两个服务提供者权重相同，此时随机选择一个即可。
实现：
因为活跃数是需要服务器请求处理相关逻辑配合的，一次调用开始时活跃数+1，结束是活跃数-1，所以这里就不对这部分逻辑进行模拟了，直接使用一个map来进行模拟。

  1. // 服务器当前的活跃数
  2.     public static final Map<String, Integer> ACTIVITY_LIST = new LinkedHashMap<String, Integer>();
  3.     static {
  4.         ACTIVITY_LIST.put("192.168.0.1", 2);
  5.         ACTIVITY_LIST.put("192.168.0.2", 0);
  6.         ACTIVITY_LIST.put("192.168.0.3", 1);
  7.         ACTIVITY_LIST.put("192.168.0.4", 3);
  8.         ACTIVITY_LIST.put("192.168.0.5", 0);
  9.         ACTIVITY_LIST.put("192.168.0.6", 1);
  10.         ACTIVITY_LIST.put("192.168.0.7", 4);
  11.         ACTIVITY_LIST.put("192.168.0.8", 2);
  12.         ACTIVITY_LIST.put("192.168.0.9", 7);
  13.         ACTIVITY_LIST.put("192.168.0.10", 3);
  14.     }
  1. public class LeastActive {
  2.     private static String getServer() {
  3.         // 找出当前活跃数最小的服务器
  4.         Optional<Integer> minValue = ServerIps.ACTIVITY_LIST.values().stream().min(Comparator.naturalOrder());
  5.         if (minValue.isPresent()) {
  6.             List<String> minActivityIps = new ArrayList<>();
  7.             ServerIps.ACTIVITY_LIST.forEach((ip, activity) -> {
  8.                 if (activity.equals(minValue.get())) {
  9.                     minActivityIps.add(ip);
  10.                 }
  11.             });
  12.             // 最小活跃数的ip有多个，则根据权重来选，权重大的优先
  13.             if (minActivityIps.size() > 1) {
  14.                 // 过滤出对应的ip和权重
  15.                 Map<String, Integer> weightList = new LinkedHashMap<String, Integer>();
  16.                 ServerIps.WEIGHT_LIST.forEach((ip, weight) -> {
  17.                     if (minActivityIps.contains(ip)) {
  18.                         weightList.put(ip, ServerIps.WEIGHT_LIST.get(ip));
  19.                     }
  20.                 });
  21.                 int totalWeight = 0;
  22.                 boolean sameWeight = true; // 如果所有权重都相等，那么随机一个ip就好了
  23.                 Object[] weights = weightList.values().toArray();
  24.                 for (int i = 0; i < weights.length; i++) {
  25.                     Integer weight = (Integer) weights[i];
  26.                     totalWeight += weight;
  27.                     if (sameWeight && i > 0 && !weight.equals(weights[i - 1])) {
  28.                         sameWeight = false;
  29.                     }
  30.                 }
  31.                 java.util.Random random = new java.util.Random();
  32.                 int randomPos = random.nextInt(totalWeight);
  33.                 if (!sameWeight) {
  34.                     for (String ip : weightList.keySet()) {
  35.                         Integer value = weightList.get(ip);
  36.                         if (randomPos < value) {
  37.                             return ip;
  38.                         }
  39.                         randomPos = randomPos - value;
  40.                     }
  41.                 }
  42.                 return (String) weightList.keySet().toArray()[new java.util.Random().nextInt(weightList.size())];
  43.             } else {
  44.                 return minActivityIps.get(0);
  45.             }
  46.         } else {
  47.             return (String) ServerIps.WEIGHT_LIST.keySet().toArray()[new java.util.Random().nextInt(ServerIps.WEIGHT_LIST.size())];
  48.         }
  49.     }
  50.     public static void main(String[] args) {
  51.         // 连续调用10次,随机10个client
  52.         for (int i = 0; i < 10; i++) {
  53.             System.out.println(getServer());
  54.         }
  55.     }
  56. }

这里因为不会对活跃数进行操作，所以结果是固定的（担任在随机权重的时候会随机，具体看源码实现，以及运行结果即可理解）。