回复” 架构“免费下载一线大厂架构资料
随机算法
从可用的节点中，随机挑选一个节点来访问。一般通过生成一个随机数来实现
适用场景：
实现比较简单，在请求量远超可用服务节点数量的情况下，各个服务节点被访问的概率基本相同，主要应用在各个服务节点的性能差异不大的情况下。
protected Referer<T> doSelect(Request request) { List<Referer<T>> referers = getReferers(); int idx = (int) (ThreadLocalRandom.current().nextDouble() * referers.size()); for (int i = 0; i < referers.size(); i++) { Referer<T> ref = referers.get((i + idx) % referers.size()); if (ref.isAvailable()) { return ref; } } return null;}轮询算法
按照固定的顺序，把可用的服务节点，挨个访问一次。轮询算法能够保证所有节点被访问到的概率是相同的。
在实现时，轮询算法通常是把所有可用节点放到一个数组里，然后按照数组编号，挨个访问。比如服务有 10 个节点，放到数组里就是一个大小为 10 的数组，这样的话就可以从序号为 0 的节点开始访问，访问后序号自动加 1，下一次就会访问序号为 1 的节点，以此类推。
适用场景：
跟随机算法类似，各个服务节点被访问的概率也基本相同，也主要应用在各个服务节点性能差异不大的情况下。
protected Referer<T> doSelect(Request request) { List<Referer<T>> referers = getReferers(); int index = getNextNonNegative(); for (int i = 0; i < referers.size(); i++) { Referer<T> ref = referers.get((i + index) % referers.size()); if (ref.isAvailable()) { return ref; } } return null;}加权轮询算法
轮询算法能够保证所有节点被访问的概率相同，而加权轮询算法是在此基础上，给每个节点赋予一个权重，从而使每个节点被访问到的概率不同，权重大的节点被访问的概率就高，权重小的节点被访问的概率就小。
适用场景：
主要被用在服务节点性能差异比较大的情况。比如经常会出现一种情况，因为采购时间的不同，新的服务节点的性能往往要高于旧的节点，这个时候可以给新的节点设置更高的权重，让它承担更多的请求，充分发挥新节点的性能优势。
protected Referer<T> doSelect(Request request) { if (holder == emptyHolder) { return null; } RefererListCacheHolder<T> h = this.holder; Referer<T> r = h.next(); if (!r.isAvailable()) { int retryTimes = getReferers().size() - 1; for (int i = 0; i < retryTimes; i++) { r = h.next(); if (r.isAvailable()) { break; } } } if (r.isAvailable()) { return r; } else { noAvailableReferer(); return null; }}最少活跃连接算法
因为不同节点处理请求的速度不同，使得同一个服务消费者同每一个节点的连接数都不相同。 连接数大的节点，可以认为是处理请求慢，而连接数小的节点，可以认为是处理请求快。 所以在挑选节点时，可以以连接数为依据，选择连接数最少的节点访问。
适用场景：
与加权轮询算法预先定义好每个节点的访问权重不同，采用最少活跃连接算法，客户端同服务端节点的连接数是在时刻变化的，理论上连接数越少代表此时服务端节点越空 闲，选择最空闲的节点发起请求，能获取更快的响应速度。尤其在服务端节点性能差异较大，而 又不好做到预先定义权重时，采用最少活跃连接算法是比较好的选择。
protected Referer<T> doSelect(Request request) { List<Referer<T>> referers = getReferers(); int refererSize = referers.size(); int startIndex = ThreadLocalRandom.current().nextInt(refererSize); int currentCursor = 0; int currentAvailableCursor = 0; Referer<T> referer = null; while (currentAvailableCursor < MAX_REFERER_COUNT && currentCursor < refererSize) { Referer<T> temp = referers.get((startIndex + currentCursor) % refererSize); currentCursor++; if (!temp.isAvailable()) { continue; } currentAvailableCursor++; if (referer == null) { referer = temp; } else { if (compare(referer, temp) > 0) { referer = temp; } } } return referer;}一致性Hash算法
一致性 hash 算法，是通过某个 hash 函数，把同一个来源的请求都映射到同一个节点上。一致性hash 算法最大的特点就是同一个来源的请求，只会映射到同一个节点上，可以说是具有记忆功能。 只有当这个节点不可用时，请求才会被分配到相邻的可用节点上。
适用场景：
因为它能够保证同一个客户端的请求始终访问同一个服务节点，所以适合服务端节点处理不同客户端请求差异较大的场景。比如服务端缓存里保存着客户端的请求结果，如果同一客户端一直访问一个服务节点，那么就可以一直从缓存中获取数据。
protected Referer<T> doSelect(Request request) { int hash = getHash(request); Referer<T> ref; for (int i = 0; i < getReferers().size(); i++) { ref = consistentHashReferers.get((hash + i) % consistentHashReferers.size()); if (ref.isAvailable()) { return ref; } } return null;}private int getHash(Request request) { int hashcode; if (request.getArguments() == null || request.getArguments().length == 0) { hashcode = request.hashCode(); } else { hashcode = Arrays.hashCode(request.getArguments()); } return MathUtil.getNonNegative(hashcode);}精彩文章
END
我们热衷于收集&分享高并发、系统架构、微服务、消息中间件、 RPC框架、高性能缓存、搜索、分布式数据框架、分布式协同服务、分布式配置中心、中台架构、领域驱动设计、系统监控、系统稳定性等技术知识。
https://github.com/aalansehaiyang/technology-talk
活到老、学到老，用技术普惠世界
关注【微观技术】
共创世界，探寻人生价值
