加权轮询算法(wrr)，这个考点，概率有点高！

前言

临近年关，招聘的和找工作的却忙的热火朝天，互相拿捏着。

今朝不同往昔，卖惨成为主流旋律，也加剧了从业人员的焦虑。很多人，工作了十来年没碰过算法，如今却不得不像蹲自习室一样，捧起大头书死命去看。

呜呼哀哉。

最近和不少参加面试的小伙伴交流了一下，发现出现了一个比较高频的算法题。不同于链表、树、动态规划这些有规律可循的算法题，加权轮询算法有很多小的技巧，在实际应用中也比较多。最平滑的Nginx轮询算法，如果你没有见过的话，那自然是永远无法写出来的。

所谓的加权轮询算法，其实就是Weighted Round Robin，简称wrr。在我们配置Nginx的upstream的时候，带权重的轮询，其实就是wrr。

upstream backend {
   ip_hash; server 192.168.1.232 weight=4; server 192.168.1.233 weight=3; server 192.168.1.234 weight=1;
} 复制代码

1. 核心数据结构

为了方便编码，对于每一个被调度的单元来说，我们抽象出一个叫做Element的类。其中，peer指的是具体的被调度资源，比如IP地址，而weight指的是这个资源的相关权重。

public class Element { protected String peer; protected int weight; public Element(String peer, int weight){ this.peer = peer; this.weight = weight;
    }
} 复制代码

那么我们具体的调度接口，将直接返回peer的地址。

public interface IWrr { String next();
} 复制代码

我们将在代码中直接测试IWrr接口的调度情况。比如，分配7、2、1权重的三个资源，其测试代码如下。

Element[] elements = new Element[]{
    new Element("A", 7),
    new Element("B", 2),
    new Element("C", 1),
}; int count = 10;
IWrr wrr = new WrrSecurityLoopTreeMap(elements); for (int i = 0; i < count; i++) {
    System.out.print(wrr.next() + ",");
}
System.out.println(); 复制代码

上面的代码调用了10次接口，我们希望代码实现，将以7，2，1的比例进行调度。

2. 随机数版本

最简单的方式，就是使用随机数去实现。当然，只有在请求量比较大的情况下，随机分布才会向7、2、1的比例逼近。这通常都没什么问题，比如SpringCloud的Robion组件，就是使用随机轮询的方式。

我们首先计算总的权重值，记作total，然后每次调用都取total区间的随机数，再依次遍历所有的权重数据。

next方法的时间复杂度，在最坏的情况下是O(n)。

随机调度获取的调用顺序也是随机的，对类似于微服务节点轮询这种场景，比较友好。但对于一些调用量比较小的服务，可能有些节点就会被饿死，毕竟是随机数嘛。

public class WrrRnd implements IWrr { final int total; final Element[] elements; final Random random = new SecureRandom(); public WrrRnd(Element[] elements) { this.total = Arrays.stream(elements)
                .mapToInt(ele -> ele.weight)
                .sum(); this.elements = elements;
    } @Override public String next() { final int n = elements.length; int index = n - 1; int hit = random.nextInt(total); for(int i = 0; i < n; i++){ if(hit >= 0) {
                hit -= elements[i].weight;
            }else{
                index = i - 1; break;
            }
        } return elements[index].peer;
    }
} 复制代码

3. 递增版本

随机数大多数情况下是美好的，但有时候我们确实需要非常准确的调度结果。这种情况下，使用一个原子递增的计数器，去存放当前的调度次数，是常见的方式。

所以逻辑就比较清晰了，我们可以直接使用原子类去实现这个计数器。

代码与上面的类似，只不过在获取hit变量的时候，我们把随机数的获取方式，替换成自增的方式。

//原来的 int hit = random.nextInt(total); 复制代码

现在的。当然，它还有一个小小的问题，那就是int的数值很可能会被用完了，这个小问题在下面的代码一并修复。

int hit = count.getAndIncrement() % total; 复制代码

4. 红黑树版本

不论是随机数还是按照顺序轮询，它们的时间复杂度都是比较高的，因为它每次都需要遍历所有的配置项，直到达到我们所需要的数值。要想提高其运行效率，我们可以借助于Java的TreeMap，空间上换时间。

下面是一个线程安全版本的实现方法，使用物理上的存储来解决时间上的耗费。TreeMap底层是红黑树，实现了根据Key的大小进行排序的功能，它的平均时间复杂度是log(n)。

我们把上面代码的逻辑，直接转化成TreeMap存储，就可以通过ceilingEntry方法获取最近的调度单元。

在并发上面，直接使用了CAS原语。这时候，我们不再自增，而是将最大值严格控制在total以下，通过自旋来处理冲突。

public class WrrSecurityLoopTreeMap implements IWrr { final int total; final AtomicInteger count = new AtomicInteger(); final TreeMap<Integer, Element> pool = new TreeMap<>(); public WrrSecurityLoopTreeMap(Element[] elements) { int total = 0; for (Element ele : elements) {
            total += ele.weight;
            pool.put(total - 1, ele);
        } this.total = total;
    } @Override public String next() { final int modulo = total; for (; ; ) { int hit = count.get(); int next = (hit + 1) % modulo; if (count.compareAndSet(hit, next) && hit < modulo) { return pool.ceilingEntry(hit).getValue().peer;
            }
        }
    }
} 复制代码

5. LVS版本

上面的这些版本（除了随机），有一个最大的问题，就是调度不均衡。当我们的比例是7、2、1，它的调度结果是A,A,A,A,A,A,A,B,B,C,。

我们希望调度能够平滑一些，而不是一股脑的压在A节点上。下面是LVS代码里的一个算法，采用的是最大公约数来实现轮询。虽然它不能实现非常平滑的轮询，但起码比上面的自增式代码强多了。

这段代码的执行过程就包含两部分，一部分是计算最大公约数gcd，一部分是轮询算法。

对于7、2、1的权重，它的调度结果是A,A,A,A,A,A,B,A,B,C,，相比较按顺序轮询的方式，有了一些改善。当这些节点的权重数值差不多的时候，LVS版本会表现出较好的负载均衡效果。

我们首先在构造函数里，算出最大公约数的gcd。然后，基于这个最大公约数，进行轮询算法的运算。

根据介绍的地址，可以很容易写出对应的算法。

http://kb.linuxvirtualserver.org/wiki/Weighted_Round-Robin_Scheduling 复制代码

下面是具体的代码。

public class WrrGcd implements IWrr { final int gcd; final int max; final Element[] elements; public WrrGcd(Element[] elements) {
        Integer gcd = null; int max = 0; for (Element ele : elements) {
            gcd = gcd == null ? ele.weight : gcd(gcd, ele.weight);
            max = Math.max(max, ele.weight);
        } this.gcd = gcd; this.max = max; this.elements = elements;
    } int i = -1; int cw = 0; @Override public String next() { for (; ; ) { final int n = elements.length;
            i = (i + 1) % n; if (i == 0) {
                cw = cw - gcd; if (cw <= 0) {
                    cw = max; if (cw == 0) { return null;
                    }
                }
            } if(elements[i].weight >= cw){ return elements[i].peer;
            }
        }
    } private int gcd(int a, int b) { return b == 0 ? a : gcd(b, a % b);
    }
} 复制代码

6. Nginx版本

nginx这个版本就更上一层楼，可以达到A,A,B,A,A,C,A,A,B,A,的效果。在保证准确的权重前提下，实现了调用尽量的分散。

这个算法比较巧妙，可以说是非常天才的算法。如果你没有接触过的话，是绝对写不出来的。

虽然算法比较简单，但要证明算法的准确性却不是一件容易的事情。证明的具体过程可以参考以下链接。

https://tenfy.cn/2018/11/12/smooth-weighted-round-robin/ 复制代码

看我们的代码，封装了一个叫做Wrr的类。这个类在原来权重的基础上，增加了一个当前的权重值current。current没次调用都会改变。

在每一轮调用中，都会在current上加上对应节点的weight值，然后选择current值最大的那一个，当作本轮的调度节点。

被选中的节点，将会减去所有的权重值total，然后进行下一次调度。唯一的问题是，当节点比较多的时候，它的时间复杂度总是O(n)，执行效率上要打一些折扣。

public class WrrSmooth implements IWrr { class Wrr {
        Element ele; int current = 0;
        Wrr(Element ele){ this.ele = ele;
        }
    } final Wrr[] cachedWeights; public WrrSmooth(Element[] elements) { this.cachedWeights = Arrays.stream(elements)
                .map(Wrr::new)
                .collect(Collectors.toList())
                .toArray(new Wrr[0]);
    } @Override public String next() { int total = 0;
        Wrr shed = cachedWeights[0]; for(Wrr item : cachedWeights){ int weight = item.ele.weight;
            total +=  weight;

            item.current += weight; if(item.current > shed.current){
                shed = item;
            }
        }
        shed.current -= total; return shed.ele.peer;
    }
} 复制代码