一、背景
搜索推荐算法架构为京东集团所有的搜索推荐业务提供服务,实时返回处理结果给上游。部门各子系统已经实现了基于CPU的自适应限流,但是Client端对Server端的调用依然是RR轮询的方式,没有考虑下游机器性能差异的情况,无法最大化利用集群整体CPU,存在着Server端CPU不均衡的问题。
京东广告部门针对其业务场景研发的负载均衡方法很有借鉴意义,他们提出的RALB(Remote Aware Load Balance)算法能够提升下游服务集群机器CPU资源效率,避免CPU短板效应,让性能好的机器能够处理更多的流量。我们将其核心思想应用到我们的系统中,获得了不错的收益。
本文的结构如下:
1.RALB简介
◦简单介绍了算法的原理。
2.功能验证
◦将RALB负载均衡技术应用到搜索推荐架构系统中,进行功能上的验证。
3.吞吐测试
◦主要将RALB和RR两种负载均衡技术做对比。验证了在集群不限流和完全限流的情况下,两者的吞吐没有明显差异。在RR部分限流的情况下,两者吞吐存在着差异,并且存在着最大的吞吐差异点。对于RALB来说,Server端不限流到全限流是一个转折点,几乎没有部分限流的情况。
4.边界测试
◦通过模拟各种边界条件,对系统进行测试,验证了RALB的稳定性和可靠性。
5.功能上线
◦在所有Server端集群全面开启RALB负载均衡模式。可以看出,上线前后,Server端的QPS逐渐出现分层,Server端的CPU逐渐趋于统一。
二、RALB 简介
RALB是一种以CPU均衡为目标的高性能负载均衡算法。
2.1 算法目标
1.调节Server端的CPU使用率,使得各节点之间CPU相对均衡,避免CPU使用率过高触发集群限流
2.QPS与CPU使用率成线性关系,调节QPS能实现CPU使用率均衡的目标
2.2 算法原理
2.2.1 算法步骤
1.分配流量的时候,按照权重分配(带权重的随机算法,wr)
2.收集CPU使用率:Server端通过RPC反馈CPU使用率(平均1s)给Client端
3.调权:定时(每3s)根据集群及各节点上的CPU使用率(窗口内均值)调节权重,使各节点CPU均衡
2.2.2 指标依赖
编号 | 指标 | 作用 | 来源 |
---|---|---|---|
1 | IP | 可用IP列表 | 服务注册发现和故障屏蔽模块进行维护 |
2 | 实时健康度 | IP可用状态实时变化,提供算法的边界条件 | RPC框架健康检查功能维护 |
3 | 历史健康度 | 健康度历史值,用于判断ip故障及恢复等边界条件 | 指标2的历史值 |
4 | 动态目标(CPU使用率) | 提供均衡算法的最直接目标依据 | Server端定时统计,RPC框架通过RPC返回 |
5 | 权重weight | 实时负载分发依据 | 算法更新 |
2.2.3 调权算法
2.2.4 边界处理
边界1:反馈窗口(3s)内,如果下游ip没被访问到,其CPU均值为0,通过调权算法会认为该节点性能极好,从而调大权重
边界2:网络故障时,RPC框架将故障节点设为不可用,CPU和权重为0;网络恢复后,RPC框架将IP设置为可用,但是权重为0的节点分不到流量,从而导致该节点将一直处于不可用状态
处理:权重的更新由定时器触发,记录节点的可用状态,当节点从不可用恢复为可用状态时,给定一个低权重,逐步恢复
2.3 落地关键
既要快又要稳,在任何情况下都要避免陷入僵局和雪崩,尤其要处理好边界条件
算法要点:
1.公式中各依赖因子的更新保持独立的含义和更新机制,以维护算法的可靠和简洁
◦IP列表的更新由服务注册发现和RPC框架共同保证
◦RPC更新CPU
2.注意边界值的含义,边界值的含义需要区分连续值
◦CPU = 0,表示未知,不表示CPU性能好
◦w = 0,表示不会被分配流量,只有在不可用的情况下才为0;可用情况下,应该至少有一个较小的值,保证仍能触发RPC,进而可以更新权重
3.算法更新权重,不要依赖RPC触发,而应该定时更新
三、功能验证
3.1 压测准备
Module | IP | CPU |
---|---|---|
Client端 | 10.173.102.36 | 8 |
Server端 | 11.17.80.238 | 8 |
11.18.159.191 | 8 | |
11.17.191.137 | 8 |
3.2 压测数据
指标 | RR负载均衡 | RALB负载均衡 |
---|---|---|
QPS | Server端的QPS均衡 | 从上图可以看出,Server端的QPS出现分层 |
CPU | CPU表现也比较均匀,维持在10%左右,不过相比于RALB,节点间CPU差距大些 | ****Server端CPU表现均匀,均维持在10%左右 |
TP99 | 延时稳定,存在一些差异 | 延时稳定,存在些微差异,相对RR小一些 |
由于机器性能差距不大,所以压测的CPU效果并不明显,为了使CPU效果更明显,给节点”11.17.80.238“施加起始的负载(即无流量时,CPU使用率为12.5%)
3.3 压测结论
经过压测,RR和LA均存在CPU不均衡的问题,会因为机器资源的性能差异,而导致短板效应,达不到充分利用资源的目的。
RALB是以CPU作为均衡目标的,所以会根据节点的CPU实时调整节点承接的QPS,进而达到CPU均衡的目标,功能上验证是可用的,CPU表现符合预期。
四、吞吐测试
4.1 压测目标
RALB是一种以CPU使用率作为动态指标的负载均衡算法,能很好地解决CPU不均衡的问题,避免CPU短板效应,让性能好的机器能够处理更多的流量。因此,我们期望RALB负载均衡策略相比于RR轮询策略能够得到一定程度的吞吐提升。
4.2 压测准备
Server端100台机器供测试,Server端为纯CPU自适应限流,限流阈值配置为55%。
4.3 压测数据
通过压测在RALB和RR两种负载均衡模式下,Server端的吞吐随着流量变化的趋势,对比两种负载均衡策略对于集群吞吐的影响。
4.3.1 RALB
4.3.1.1 吞吐数据
下表是Server端的吞吐数据,由测试发压Client端,负载均衡模式设置为RALB。在18:17Server端的状况接近于刚刚限流。整个压测阶段,压测了不限流、部分限流、完全限流3种情况。
时间 | 17:40 | 17:45 | 17:52 | 18:17 | 18:22 |
---|---|---|---|---|---|
总流量 | 2270 | 1715 | 1152 | 1096 | 973 |
处理流量 | 982 | 1010 | 1049 | 1061 | 973 |
被限流量 | 1288 | 705 | 103 | 35 | 0 |
限流比例 | 56.74% | 41% | 8.9% | 3.2% | 0% |
平均CPU使用率 | 55% | 55% | 54% | 54% | 49% |
4.3.1.2 指标监控
Server端机器收到的流量按性能分配,CPU保持均衡。
QPS | CPU |
---|---|
4.3.2 RR
4.3.2.1 吞吐数据
下表是Server端的吞吐数据,由测试发压Client端,负载均衡模式设置为RR。在18:46 Server端的整体流量接近于18:17 Server端的整体流量。后面将重点对比这两个关键时刻的数据。
时间 | 18:40 | 18:46 | 19:57 | 20:02 | 20:04 | 20:09 |
---|---|---|---|---|---|---|
总流量 | 967 | 1082 | 1149 | 1172 | 1263 | 1314 |
处理流量 | 927 | 991 | 1024 | 1036 | 1048 | 1047 |
被限流量 | 40 | 91 | 125 | 136 | 216 | 267 |
限流比例 | 4.18% | 8.4% | 10.92% | 11.6% | 17.1% | 20.32% |
平均CPU使用率 | 45%(部分限流) | 51%(部分限流) | 53%(部分限流) | 54%(接近全部限流) | 55%(全部限流) | 55%(全部限流) |
4.3.2.2 指标监控
Server端收到的流量均衡,但是CPU有差异。
QPS | CPU |
---|---|
|
4.4 压测分析
4.4.1 吞吐曲线
根据4.3节的压测数据,进行Server端吞吐曲线的绘制,对比RALB和RR两种负载均衡模式下的吞吐变化趋势。
import matplotlib.pyplot as plt
import numpy as np
x = [0,1,2,3,4,5,6,7,8,9,9.73,10.958,11.52,17.15,22.7]
y = [0,1,2,3,4,5,6,7,8,9,9.73,10.61,10.49,10.10,9.82]
w = [0,1,2,3,4,5,6,7,8,9.674,10.823,11.496,11.723,12.639,13.141,17.15,22.7]
z = [0,1,2,3,4,5,6,7,8,9.27,9.91,10.24,10.36,10.48,10.47,10.10,9.82]
plt.plot(x, y, 'r-o')
plt.plot(w, z, 'g-o')
plt.show()
4.4.2 曲线分析
负载均衡策略 | RALB | RR |
---|---|---|
阶段一:所有机器未限流 | 接收QPS=处理QPS,表现为y =x 的直线 | 接收QPS=处理QPS,表现为y =x 的直线 |
阶段二:部分机器限流 | 不存在RALB根据下游CPU进行流量分配,下游根据CPU进行限流,理论上来讲,下游的CPU永远保持一致。所有的机器同时达到限流,不存在部分机器限流的情况。 所以在图中,不限流与全部机器限流是一个转折点,没有平滑过渡的阶段。 | RR策略,下游的机器分配得到的QPS一致,由于下游根据CPU进行限流,所以不同机器限流的时刻有差异。 相对于RALB,RR更早地出现了限流的情况,并且在达到限流之前,RR的吞吐是一直小于RALB的。 |
阶段三:全部机器限流 | 全部机器都达到限流阈值55%之后,理论上,之后无论流量怎样增加,处理的QPS会维持不变。图中显示处理的QPS出现了一定程度的下降,是因为处理限流也需要消耗部分CPU | RR达到全部限流的时间要比RALB更晚。在全部限流之后,两种模式的处理的QPS是一致的。 |
4.5 压测结论
临界点:吞吐差异最大的情况,即RALB模式下非限流与全限流的转折点。
通过上述分析,可以知道,在RALB不限流与全部限流的临界点处,RR与RALB的吞吐差异最大。
此时,计算得出RALB模式下,Server集群吞吐提升7.06%。
五、边界测试
通过模拟各种边界条件,来判断系统在边界条件的情况下,系统的稳定性。
边界条件 | 压测情形 | 压测结论 |
---|---|---|
下游节点限流 | CPU限流 | 惩罚因子的调整对于流量的分配有重要影响 |
QPS限流 | 符合预期 | |
下游节点超时 | Server端超时每个请求,固定sleep 1s | 请求持续超时期间分配的流量基本为0 |
下游节点异常退出 | Server端进程被杀死直接kill -9 pid | 杀死进程并自动拉起,流量分配快速恢复 |
下游节点增减 | Server端手动Jsf上下线 | jsf下线期间不承接流量 |
Server端重启stop + start | 正常反注册、注册方式操作Server端进程,流量分配符合预期 |
六、功能上线
宿迁机房Client端上线配置,在所有Server端集群全面开启RALB负载均衡模式。可以看出,上线前后,Server端的QPS逐渐出现分层,Server端的CPU逐渐趋于统一。
上线前后Server端QPS分布 | 上线前后Server端的CPU分布 |
---|---|
参考资料
1.负载均衡技术
2.深入浅出负载均衡
作者:京东零售 胡沛栋
来源:京东云开发者社区