前言

在阿里七層流量入口接入層（Application Gateway）場(chǎng)景下， Nginx 官方的Smooth Weighted Round-Robin（ SWRR ）負(fù)載均衡算法已經(jīng)無(wú)法再完美施展它的技能。 Tengine 通過(guò)實(shí)現(xiàn)新的負(fù)載均衡算法Virtual Node Smooth Weighted Round-Robin（VNSWRR ）不僅優(yōu)雅的解決了 SWRR 算法的缺陷，而且QPS處理能力相對(duì)于 Nginx 官方的 SWRR 算法提升了60%左右。

問(wèn)題

接入層 Tengine 通過(guò)自研的動(dòng)態(tài) upstream 模塊實(shí)現(xiàn)動(dòng)態(tài)服務(wù)發(fā)現(xiàn)，即運(yùn)行時(shí)動(dòng)態(tài)感知后端應(yīng)用機(jī)器擴(kuò)縮容、權(quán)重調(diào)整和健康檢查等信息。同時(shí)該功能可以做很多事情，比如用戶可通過(guò)調(diào)整后端應(yīng)用某臺(tái)機(jī)器的權(quán)重從而達(dá)到線上真實(shí)引流壓測(cè)目的。然而，這些操作在 Nginx 原生 SWRR 算法下卻可能引起不可逆轉(zhuǎn)的血案。

? 在接入層（Application Gateway）場(chǎng)景下， Nginx 的負(fù)載均衡算法 SWRR 會(huì)導(dǎo)致權(quán)重被調(diào)高機(jī)器的QPS瞬間暴漲，如上圖App2-host-A機(jī)器當(dāng)權(quán)重調(diào)整為2時(shí)，某一時(shí)刻流量會(huì)集中轉(zhuǎn)發(fā)到該機(jī)器；

? Nginx 的 SWRR 算法的處理時(shí)間復(fù)雜度是O(N)，在大規(guī)模后端場(chǎng)景下 Nginx 的處理能力將線性下降；

綜上所述，對(duì)接入層 Tengine 的負(fù)載均衡轉(zhuǎn)發(fā)策略的改造及性能優(yōu)化已迫在眉睫。

原生 SWRR 算法分析

在介紹案列之前，我們先簡(jiǎn)單介紹下 Nginx 的負(fù)載均衡算法 SWRR 轉(zhuǎn)發(fā)策略及特點(diǎn)：

SWRR 算法全稱是Smooth Weighted Round-Robin Balancing，顧名思義該算法相比于其它加權(quán)輪詢（WRR）算法多一個(gè)smooth（平滑）的特性。

下面我們就一個(gè)簡(jiǎn)單的列子來(lái)描述下該算法：

假設(shè)有3臺(tái)機(jī)器A、B、C權(quán)重分別為5、1、1，其中數(shù)組s代表機(jī)器列表、n代表機(jī)器數(shù)量，每個(gè)機(jī)器的cw初始化為0、ew初始化為機(jī)器權(quán)重、tw代表本輪選擇中所有機(jī)器的ew之和、best表示本輪被選中的機(jī)器。簡(jiǎn)單的描述就是每次選擇機(jī)器列表中cw值最大的機(jī)器，被選中機(jī)器的cw將會(huì)減去tw，從而降低下次被選中的機(jī)會(huì)，簡(jiǎn)單的偽代碼描述如下：

best = NULL; tw = 0; for(i = random() % n; i != i || falg; i = (i + 1) % n) { flag = 0; s[i].cw += s[i].ew; tw += s[i].ew; if (best == NULL || s[i].cw > best->cw) {best = &s[i]; } }best->cw -= tw; return best;

請(qǐng)求編號(hào) 選擇前的權(quán)重值 被選中的server 選擇后的權(quán)重值
0 {5,1,1} A {-2,1,1}
1 {3,2,2} A {-4,2,2}
2 {1,3,3} B {1,-4,3}
3 {6,-3,4} A {-1,-3,4}
4 {4,-2,5} C {4,-2,-2}
5 {9,-1,-1} A {2,-1,-1}
6 {7,0,0} A {0,0,0}

其 SWRR 算法選擇的順序?yàn)?#xff1a;{ A, A, B, A, C, A, A }

而普通WRR算法選擇的順序可能為：{ C, B, A, A, A, A, A }

SWRR 相比于普通的WRR算法特點(diǎn)：平滑、分散 。

調(diào)高權(quán)重引發(fā)的血案

從上面的描述來(lái)看， SWRR 算法似乎已經(jīng)比較完美了，但是在某些場(chǎng)景下還是有一定的缺陷，下面我們就一個(gè)真實(shí)的案列來(lái)看看它都有哪些缺陷：

一天早上，流量調(diào)度的同學(xué)匆忙的跑到我的工位，當(dāng)時(shí)看他神色是尤為的緊張，心想肯定是出啥問(wèn)題了。果不其然："為啥我把中心機(jī)房某臺(tái)機(jī)器的權(quán)重從1調(diào)整為2的時(shí)候，接入層 Tengine 并不是按照這個(gè)權(quán)重比例轉(zhuǎn)發(fā)流量恩？"，當(dāng)時(shí)被調(diào)高機(jī)器QPS變化趨勢(shì)如下圖所示：

注：其中深藍(lán)色曲線表示權(quán)重被調(diào)高機(jī)器的QPS變化，淺綠色曲線表示該集群?jiǎn)螜C(jī)的平均QPS。

當(dāng)時(shí)看到這個(gè)流量趨勢(shì)變化圖的時(shí)候也是一臉茫然，不過(guò)好在有圖有數(shù)據(jù)，那就可以先分析一下這個(gè)圖的幾個(gè)特征數(shù)字；由于部分?jǐn)?shù)據(jù)敏感，詳細(xì)數(shù)據(jù)分析就不在此處展開(kāi)。直接描述其現(xiàn)象和原因：

被調(diào)高權(quán)重的機(jī)器當(dāng)時(shí)被分發(fā)到的流量基本上是該應(yīng)用機(jī)房總流量的1/2，一段時(shí)間后該機(jī)器的流量才恢復(fù)到預(yù)期的權(quán)重比例。其原因就是由于接入層 Tengine 對(duì)后端機(jī)器信息的變化是動(dòng)態(tài)感知熱生效的，而 Nginx 官方的 SWRR 算法策略第一次會(huì)選擇當(dāng)前機(jī)器列表中權(quán)重最大的機(jī)器轉(zhuǎn)發(fā)流量。從而進(jìn)一步導(dǎo)致已感知到后端機(jī)器權(quán)重變化的接入層 Tengine 都會(huì)將第一個(gè)請(qǐng)求轉(zhuǎn)發(fā)到權(quán)重被調(diào)高的機(jī)器上。

大規(guī)模下性能驟降

如下是在upstream里面配置2000個(gè)后端，在反向代理場(chǎng)景下壓測(cè) Nginx 的函數(shù)熱點(diǎn)圖如下所示。其中ngx_http_upstream_get_peer函數(shù)CPU消耗占比高達(dá)39%，其原因是因?yàn)?SWRR 算法的選取機(jī)器的時(shí)間復(fù)雜度為O(N) (其中N代表后端機(jī)器數(shù)量)，這就相當(dāng)于每個(gè)請(qǐng)求都要執(zhí)行接近2000次循環(huán)才能找到對(duì)應(yīng)本次轉(zhuǎn)發(fā)的后端機(jī)器。

? 壓測(cè)環(huán)境

CPU型號(hào)： Intel(R) Xeon(R) CPU E5-2682 v4 @ 2.50GHz
壓測(cè)工具：./wrk -t25 -d5m -c500 'http://ip/t2000'

Tengine 核心配置：配置2個(gè)worker進(jìn)程，壓力源 --長(zhǎng)連接--> Tengine / Nginx --短連接--> 后端

下面我們做個(gè)試驗(yàn)，控制變量是 upstream 里面配置的 server 數(shù)量，觀察不同場(chǎng)景下 Nginx 的 QPS 處理能力以及響應(yīng)時(shí)間RT變化情況。從圖中可以發(fā)現(xiàn)當(dāng)后端 upstream 里面的 server 數(shù)量每增加500臺(tái)則 Nginx 的 QPS 處理能力下降 10% 左右，響應(yīng)RT增長(zhǎng) 1ms 左右。

從上面的分析基本上已經(jīng)確認(rèn)是 SWRR 算法存在如上兩個(gè)缺陷，下面就開(kāi)始解決；

改進(jìn)的 VNSWRR 算法

雖然經(jīng)典的WRR算法（如隨機(jī)數(shù)方式實(shí)現(xiàn)）可以在時(shí)間復(fù)雜度上達(dá)到 O(1) ，而且也可以避免 SWRR 算法調(diào)高權(quán)重的選取缺陷。但是在某些場(chǎng)景下（如小流量）可能造成后端的流量不均等問(wèn)題，尤其是在流量瞬間暴漲的場(chǎng)景下有太多不可確定性。于是就構(gòu)思是否有一種算法即能擁有 SWRR 算法的平滑、分散特點(diǎn)，又能具備 O(1) 的時(shí)間復(fù)雜度。所以就有了Virtual Node Smooth Weighted Round-Robin（ VNSWRR ）算法。

此處拿個(gè)列子來(lái)說(shuō)明此算法：3臺(tái)機(jī)器A、B、C權(quán)重分別為1、2、3，N代表后端機(jī)器數(shù) 、TW代表后端機(jī)器權(quán)重總和。

算法關(guān)鍵點(diǎn)

o 虛擬節(jié)點(diǎn)初始化順序嚴(yán)格按照 SWRR 算法選取，保證初始化列表里的機(jī)器能夠分布足夠散列；
o 虛擬節(jié)點(diǎn)運(yùn)行時(shí)分批初始化，避免密集型計(jì)算集中。每批次虛擬節(jié)點(diǎn)使用完后再進(jìn)行下一批次虛擬節(jié)點(diǎn)列表初始化，每次只初始化min(n, max)個(gè)虛擬節(jié)點(diǎn)；

算法描述

o Tengine 程序啟動(dòng)或者運(yùn)行時(shí)感知后端機(jī)器信息變化時(shí)，則構(gòu)建TW個(gè)虛擬節(jié)點(diǎn)且第一次只初始化N個(gè)節(jié)點(diǎn)（注：TW代表后端機(jī)器權(quán)重之和，N代表后端機(jī)器數(shù)）；
o 各個(gè)進(jìn)程設(shè)置隨機(jī)起點(diǎn)輪詢位置，如上圖的Step 1對(duì)應(yīng)的列表其起點(diǎn)位置指向B；
o 當(dāng)請(qǐng)求到達(dá)后從設(shè)置的隨機(jī)起點(diǎn)B位置輪詢虛擬節(jié)點(diǎn)列表，若輪詢到已經(jīng)初始化的虛擬節(jié)點(diǎn)數(shù)組的末尾（如上圖的Step2紅色箭頭指向的位置），則初始化第二批虛擬節(jié)點(diǎn)（如上圖Step2對(duì)應(yīng)的紅色節(jié)點(diǎn)），當(dāng)所有虛擬節(jié)點(diǎn)初始化完后將不再做初始化工作（如上圖的Step3對(duì)應(yīng)的狀態(tài)）；

此方案不僅將算法時(shí)間復(fù)雜度從 O(N) 優(yōu)化到 O(1) ，而且也避免了權(quán)重調(diào)高場(chǎng)景下帶來(lái)的問(wèn)題。如下圖所示后端某臺(tái)機(jī)器權(quán)重從1調(diào)整為2后，其QPS平滑的增長(zhǎng)到預(yù)期比列。

算法效果比較

在同等壓測(cè)環(huán)境下（wrk壓測(cè)工具、500并發(fā)、長(zhǎng)連接場(chǎng)景、upstream配置2000個(gè)server）， Nginx 官方的 SWRR 算法CPU消耗占比高達(dá)39%（ngx_http_upstream_get_peer函數(shù)）。而 VNSWRR 算法在同等條件下CPU消耗占比只有0.27%左右（ngx_http_upstream_get_ VNSWRR 函數(shù)），顯而易見(jiàn) SWRR CPU消耗要高出一個(gè)數(shù)量級(jí)。

在上述壓測(cè)環(huán)境下， Nginx 官方的 SWRR 和改進(jìn)的 VNSWRR 算法下的QPS處理能力如下圖所示：其中 VNSWRR 的QPS處理能力相對(duì)于 SWRR 算法提升60%左右。

下面我們來(lái)做個(gè)試驗(yàn)，在 upstream 里配置 server 數(shù)量變化的場(chǎng)景下，對(duì)比 VNSWRR 和 SWRR 算法觀察 Nginx 的 QPS 處理能力以及響應(yīng)時(shí)間RT變化。

從圖中可以發(fā)現(xiàn)在 SWRR 算法下當(dāng) upstream 里面的 server 數(shù)量每增加500臺(tái)，則 Nginx 的 QPS 處理能力下降10%左右、響應(yīng)RT增長(zhǎng)1ms左右，而在 VNSWRR 算法下 Tengine 的 QPS 處理能力及RT基本上變化不大。

總結(jié)

正是這種大流量場(chǎng)景下才暴露出 Nginx 的一些問(wèn)題，所謂業(yè)務(wù)與技術(shù)相輔相成，業(yè)務(wù)可促使新的技術(shù)誕生、新的技術(shù)賦能創(chuàng)造新的業(yè)務(wù)。 VNSWRR 算法即擁有 SWRR 算法的平滑、分散特點(diǎn)，也避免了其缺陷。同時(shí)在新算法下時(shí)間復(fù)雜度也從 O(N) 調(diào)整為 O(1) ，在大規(guī)模場(chǎng)景下 VNSWRR 的QPS處理能力相對(duì)于 Nginx 官方的 SWRR 算法提升60%左右。

原文鏈接
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的QPS 提升60%，揭秘阿里巴巴轻量级开源 Web 服务器 Tengine 负载均衡算法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。