- 当前位置：首页 >娱乐 >Nacos客户端是如何实现实例获取的负载均衡呢？
Nacos客户端是如何实现实例获取的负载均衡呢？
发布时间：2025-11-05 16:01:11 来源：云智核 作者：IT科技
前面我们讲了Nacos客户端如何获取实例列表，户端何实如何进行缓存处理，现实以及如何订阅实例列表的例获变更。在获取到一个实例列表之后，负载你是均衡否想过一个问题：如果实例列表有100个实例，Nacos客户端是户端何实如何从中选择一个呢?
这篇文章，就带大家从源码层面分析一下，现实Nacos客户端采用了如何的例获算法来从实例列表中获取一个实例进行请求的。也可以称作是负载Nacos客户端的负载均衡算法。
单个实例获取
NamingService不仅提供了获取实例列表的均衡方法，也提供了获取单个实例的户端何实方法，比如：
Instance selectOneHealthyInstance(String serviceName,现实 String groupName, List<String> clusters, boolean subscribe) throws NacosException;该方法会根据预定义的负载算法，从实例列表中获得一个健康的例获实例。其他重载的负载方法功能类似，最终都会调用该方法，均衡我们就以此方法为例来分析一下具体的算法。
具体实现代码：
@Override public Instance selectOneHealthyInstance(String serviceName, String groupName, List<String> clusters, boolean subscribe) throws NacosException { String clusterString = StringUtils.join(clusters, ","); if (subscribe) { // 获取ServiceInfo ServiceInfo serviceInfo = serviceInfoHolder.getServiceInfo(serviceName, groupName, clusterString); if (null == serviceInfo) { serviceInfo = clientProxy.subscribe(serviceName, groupName, clusterString); } // 通过负载均衡算法获得其中一个实例 return Balancer.RandomByWeight.selectHost(serviceInfo); } else { // 获取ServiceInfo ServiceInfo serviceInfo = clientProxy .queryInstancesOfService(serviceName, groupName, clusterString, 0, false); // 通过负载均衡算法获得其中一个实例 return Balancer.RandomByWeight.selectHost(serviceInfo); } }selectOneHealthyInstance方法逻辑很简单，调用我们之前讲到的方法获取ServiceInfo对象，然后作为参数传递给负载均衡算法，由负载均衡算法计算出最终使用哪个实例(Instance)。服务器租用
算法参数封装
先跟踪一下代码实现，非核心业务逻辑，只简单提一下。
上面的代码可以看出调用的是Balancer内部类RandomByWeight的selectHost方法：
public static Instance selectHost(ServiceInfo dom) { // ServiceInfo中获去实例列表 List<Instance> hosts = selectAll(dom); // ... return getHostByRandomWeight(hosts); }selectHost方法核心逻辑是从ServiceInfo中获取实例列表，然后调用getHostByRandomWeight方法：
protected static Instance getHostByRandomWeight(List<Instance> hosts) { // ... 判断逻辑 // 重新组织数据格式 List<Pair<Instance>> hostsWithWeight = new ArrayList<Pair<Instance>>(); for (Instance host : hosts) { if (host.isHealthy()) { hostsWithWeight.add(new Pair<Instance>(host, host.getWeight())); } } // 通过Chooser来实现随机权重负载均衡算法 Chooser<String, Instance> vipChooser = new Chooser<String, Instance>("www.taobao.com"); vipChooser.refresh(hostsWithWeight); return vipChooser.randomWithWeight(); }getHostByRandomWeight前半部分是将Instance列表及其中的权重数据进行转换，封装成一个Pair，也就是建立成对的关系。在此过程中只使用了健康的节点。
真正的算法实现则是通过Chooser类来实现的，看名字基本上知道实现的策略是基于权重的随机算法。
负载均衡算法实现
所有的负载均衡算法实现均位于Chooser类中，Chooser类的提供了两个方法refresh和randomWithWeight。
refresh方法用于筛选数据、检查数据合法性和建立算法所需数据模型。
randomWithWeight方法基于前面的站群服务器数据来进行随机算法处理。
先看refresh方法：
public void refresh(List<Pair<T>> itemsWithWeight) { Ref<T> newRef = new Ref<T>(itemsWithWeight); // 准备数据，检查数据 newRef.refresh(); // 上面数据刷新之后，这里重新初始化一个GenericPoller newRef.poller = this.ref.poller.refresh(newRef.items); this.ref = newRef; }基本步骤：
创建Ref类，该类为Chooser的内部类; 调用Ref的refresh方法，用于准备数据、检查数据等; 数据筛选完成，调用poller#refresh方法，本质上就是创建一个GenericPoller对象; 成员变量重新赋值;这里重点看Ref#refresh方法：
/** * 获取参与计算的实例列表、计算递增数组数总和并进行检查 */ public void refresh() { // 实例权重总和 Double originWeightSum = (double) 0; // 所有健康权重求和 for (Pair<T> item : itemsWithWeight) { double weight = item.weight(); //ignore item which weight is zero.see test_randomWithWeight_weight0 in ChooserTest // 权重小于等于0则不参与计算 if (weight <= 0) { continue; } // 有效实例放入列表 items.add(item.item()); // 如果值无限大 if (Double.isInfinite(weight)) { weight = 10000.0D; } // 如果值为非数字 if (Double.isNaN(weight)) { weight = 1.0D; } // 权重值累加 originWeightSum += weight; } double[] exactWeights = new double[items.size()]; int index = 0; // 计算每个节点权重占比，放入数组 for (Pair<T> item : itemsWithWeight) { double singleWeight = item.weight(); //ignore item which weight is zero.see test_randomWithWeight_weight0 in ChooserTest if (singleWeight <= 0) { continue; } // 计算每个节点权重占比 exactWeights[index++] = singleWeight / originWeightSum; } // 初始化递增数组 weights = new double[items.size()]; double randomRange = 0D; for (int i = 0; i < index; i++) { // 递增数组第i项值为items前i个值总和 weights[i] = randomRange + exactWeights[i]; randomRange += exactWeights[i]; } double doublePrecisionDelta = 0.0001; // index遍历完则返回； // 或weights最后一位值与1相比，误差小于0.0001，则返回 if (index == 0 || (Math.abs(weights[index - 1] - 1) < doublePrecisionDelta)) { return; } throw new IllegalStateException( "Cumulative Weight calculate wrong , the sum of probabilities does not equals 1."); }可结合上面代码中的注释来理解，核心步骤包括以下：
遍历itemsWithWeight，计算权重总和数据;非健康节点会被剔除掉; 计算每个节点的权重值在总权重值中的占比，并存储在exactWeights数组当中; 将exactWeights数组当中值进行数据重构，形成一个递增数组weights(每个值都是exactWeights坐标值的总和)，后面用于随机算法; 判断是否循环完成或误差在指定范围内(0.0001)，符合则返回。所有数据准备完成，调用随机算法方法randomWithWeight：
public T randomWithWeight() { Ref<T> ref = this.ref; // 生成0-1之间的随机数 double random = ThreadLocalRandom.current().nextDouble(0, 1); // 采用二分法查找数组中指定值，如果不存在则返回（-(插入点) - 1），源码下载插入点即随机数将要插入数组的位置，即第一个大于此键的元素索引。 int index = Arrays.binarySearch(ref.weights, random); // 如果没有查询到（返回-1或"-插入点"） if (index < 0) { index = -index - 1; } else { // 命中直接返回结果 return ref.items.get(index); } // 判断坐标未越界 if (index < ref.weights.length) { // 随机数小于指定坐标的数值，则返回坐标值 if (random < ref.weights[index]) { return ref.items.get(index); } } // 此种情况不应该发生，但如果发生则返回最后一个位置的值 /* This should never happen, but it ensures we will return a correct * object in case there is some floating point inequality problem * wrt the cumulative probabilities. */ return ref.items.get(ref.items.size() - 1); }该方法的基本操作如下：
生成一个0-1的随机数; 使用Arrays#binarySearch在数组中进行查找，也就是二分查找法。该方法会返回包含key的值，如果没有则会返回”-1“或”-插入点“，插入点即随机数将要插入数组的位置，即第一个大于此键的元素索引。 如果命中则直接返回;如果未命中则对返回值取反减1，获得index值; 判断index值，符合条件，则返回结果;至此，关于Nacos客户端实例获取的负载均衡算法代码层面追踪完毕。
算法实例演示
下面用一个实例来演示一下，该算法中涉及的数据变化。为了数据美观，这里采用4组数据，每组数据进来确保能被整除;
节点及权重数据(前面节点，后面权重)如下：
1 100 2 25 3 75 4 200第一步，计算权重综合：
originWeightSum = 100 + 25 + 75 + 200 = 400第二步，计算每个节点权重比：
exactWeights = {0.25, 0.0625, 0.1875, 0.5}第三步，计算递增数组weights：
weights = {0.25, 0.3125, 0.5, 1}第四步，生成0-1的随机数：
random = 0.3049980013493817第五步，调用Arrays#binarySearch从weights中搜索random：
index = -2关于Arrays#binarySearch(double[] a, double key)方法这里再解释一下，如果传入的key恰好在数组中，比如1，则返回的index为3;如果key为上面的random值，则先找到插入点，取反，减一。
插入点即第一个大于此key的元素索引，那么上面第一个大于0.3049980013493817的值为0.3125，那么插入点值为1;
于是按照公式计算Arrays#binarySearch返回的index为：
index = - ( 1 ) - 1 = -2第六步，也就是没有恰好命中的情况：
index = -( -2 ) - 1 = 1然后判断index是否越界，很明显 1 < 4，未越界，则返回坐标为1的值。
算法的核心
上面演示了算法，但这个算法真的能够做到按权重负载吗?我们来分析一下这个问题。
这个问题的重点不在random值，这个值基本上是随机的，那么怎么保证权重大的节点获得的机会更多呢?
这里先把递增数组weights用另外一个形式来表示：
上面的算法可以看出，weights与exactWeights为size相同的数组，对于同一坐标(index)，weights的值是exactWeights包含当前坐标及前面所有坐标值的和。
如果把weights理解成一条线，对应节点的值是线上的一个个点，体现在图中便是(图2到图5)有色(灰色+橘黄色)部分。
而Arrays#binarySearch算法的插入点获取的是第一个大于key(也就是random)的坐标，也就是说每个节点享有的随机范围不同，它们的范围由当前点和前一个点的区间决定，而这个区间正好是权重比值。
权重比值大的节点，占有的区间就比较多，比如节点1占了1/4，节点4占了1/2。这样，如果随机数是均匀分布的，那么占有范围比较大的节点更容易获得青睐。也就达到了按照权重获得被调用的机会了。
小结
本篇文章追踪Nacos客户端源码，分析了从实例列表中获得其中一个实例的算法，也就是随机权重负载均衡算法。整体业务逻辑比较简单，从ServiceInfo中获得实例列表，一路筛选，选中目标实例，然后根据它们的权重进行二次处理，数据结构封装，最后基于Arrays#binarySearch提供的二分查找法来获得对应的实例。
而我们需要注意和学习的重点便是权重获取算法的思想及具体实现，最终达到能够在实践中进行运用。
- 大多数 Linux 发行版都会提供一个可以从 USB 启动的 live 环境，以便用户无需安装即可测试系统。我们可以用它来评测这个发行版或仅仅是当成一个一次性系统，并且很容易将这些文件复制到一个 U 盘上，在某些情况下，我们可能需要经常运行同一个或不同的 ISO 镜像。GRUB 2 可以配置成直接从启动菜单运行一个 live 环境，而不需要烧录这些 ISO 到硬盘或 USB 设备。获取和检查可启动的 ISO 镜像当镜像下载完后，我们应该通过 MD5 校验检查它的完整性。这会输出一大串数字与字母合成的序列。将这个序列与下载页提供的 MD5 校验码进行比较，两者应该完全相同。配置 GRUB 2在下面的例子中，一个 Kubuntu 15.04 live 环境将被配置到 Ubuntu 14.04 机器的 Grub 启动菜单项。这应该能在大多数新的以 Ubuntu 为基础的系统上运行。假如你是其它系统并且想实现一些其它的东西，你可以从这些文件了解更多细节，但这会要求你拥有一点 GRUB 使用经验。这个例子的文件 kubuntu-15.04-desktop-amd64.iso 放在位于 /dev/sda1 的 /home/maketecheasier/TempISOs/ 上。为了使 GRUB 2 能正确找到它，我们应该编辑/etc/grub.d40-custom分析上述代码下一行是指定回环设备，且必须给出正确的分区号码。复制代码代码如下:GRUB 的命名在这里稍微有点困惑，对于硬盘来说，它从 “0” 开始计数，第一块硬盘为 #0 ，第二块为 #1 ，第三块为 #2 ，依此类推。但是对于分区来说，它从 “1” 开始计数，第一个分区为 #1 ，第二个分区为 #2 ，依此类推。也许这里有一个很好的原因，但肯定不是明智的（明显用户体验很糟糕）..在 Linux 中第一块硬盘，第一个分区是 /dev/sda1 ，但在 GRUB2 中则是 hd0,1 。第二块硬盘，第三个分区则是 hd1,3, 依此类推.下一个重要的行是：复制代码代码如下:最后复制代码代码如下:启动 live 系统复制代码代码如下:当重启系统后，应该可以看见一个新的、并且允许我们启动刚刚配置的 ISO 镜像的 GRUB 条目：选择这个新条目就允许我们像从 DVD 或 U 盘中启动一个 live 环境一样。
- 齐天大圣（探寻悟空身上的独特魅力与战斗哲学）
- 揭秘有网啦WiFi（一种新型的无线网络接入方式与）
- E52650处理器的性能和特点分析（探索E52650处理器的卓越性能和先进功能）
- 学习使用gimagex，轻松完成系统备份与还原（掌握gimagex的教程，高效实现系统镜像的管理）
- 圣迪威充电器（解放你的充电困扰，体验圣迪威充电器的卓越性能）
- 联想H5050配置评测（一款高性能游戏电脑的不二之选）
- 探寻takara的品牌魅力与成功之道（揭秘takara如何成为领先品牌的关键秘诀）
- 打造自己的乐高电脑支架（发挥想象力，用乐高打造一个实用的电脑支架）
- 探索骨传导耳机的功能与优势（全面了解骨传导耳机的工作原理、音质表现和使用场景）
- Copyright © 2025 Powered by Nacos客户端是如何实现实例获取的负载均衡呢？,云智核 滇ICP备2023006006号-28sitemap