一、背景簡介

1.1、現(xiàn)狀

?實際生產(chǎn)環(huán)境中，復(fù)雜業(yè)務(wù)系統(tǒng)對分布式服務(wù)集群架構(gòu)的依賴。

?服務(wù)集群異質(zhì)化節(jié)點(diǎn)的容器化部署，機(jī)器性能超賣現(xiàn)象不可避免、性能不均情況時有發(fā)生。

?服務(wù)集群各硬件組件出錯率不可避免[1]，上層業(yè)務(wù)相關(guān)的應(yīng)用軟件系統(tǒng)需考慮容錯設(shè)計。

?大促流量分布變化難以準(zhǔn)確預(yù)見，系統(tǒng)服務(wù)穩(wěn)定性與機(jī)器資源成本之間需進(jìn)行妥善權(quán)衡。

1.2、問題

?集群內(nèi)負(fù)載不均，整體資源利用率低。

?單節(jié)點(diǎn)過載容易觸發(fā)集群整體擴(kuò)容。

?節(jié)點(diǎn)偶發(fā)硬件（CPU、網(wǎng)卡、內(nèi)存等）異常影響業(yè)務(wù)服務(wù)整體可用率。

?大促等分布多變的線上流量容易導(dǎo)致集群服務(wù)穩(wěn)定性問題。

1.3、需求

設(shè)計合理的負(fù)載均衡策略（LB）來提高服務(wù)集群的資源利用率和服務(wù)穩(wěn)定性，以有效應(yīng)對大促復(fù)雜多變的流量對系統(tǒng)服務(wù)的沖擊。

二、理論基礎(chǔ)

2.1、通用負(fù)載均衡問題

負(fù)載均衡是提高系統(tǒng)資源利用率和并行計算性能的一個關(guān)鍵技術(shù)，可分為靜態(tài)和動態(tài)兩類。如果負(fù)載可以在運(yùn)行之前確定并事先將負(fù)載劃分，則屬于靜態(tài)負(fù)載均衡問題；若只能在運(yùn)行時測量負(fù)載并動態(tài)確定負(fù)載劃分，則屬于動態(tài)負(fù)載均衡（DLB）問題。

對于給定的一個包含計算和通訊的任務(wù)集合，以及一組通過一定拓?fù)溥B接起來的計算機(jī)，求解任務(wù)到計算機(jī)的一個映射，使得求解該問題的時間最小，這就是負(fù)載均衡的目標(biāo)[2]。

2.2、負(fù)載均衡策略匯總

2.2.1、分布式策略

實現(xiàn)分布式的負(fù)載均衡可有多種策略，其中一個基本策略就是近鄰法。在該策略中，每個處理器和相鄰處理器交換負(fù)載，實現(xiàn)和相鄰處理器間的負(fù)載均衡，并經(jīng)過多次迭代達(dá)到全局負(fù)載均衡。它主要包括擴(kuò)散法、維交換法（DEM）和梯度法（GM）。

2.2.2、集中式策略

在集中式策略中，每個處理器的計算負(fù)載和通訊發(fā)送到一個指定的處理器，該處理器負(fù)責(zé)收集、處理全局的負(fù)載信息，并做出全局的負(fù)載均衡決策。

2.2.3、混合/層次策略

為了最小化負(fù)載均衡開銷，一些負(fù)載均衡方法重在研究如何根據(jù)層次拓?fù)浣Y(jié)構(gòu)來構(gòu)建一個層次樹的問題。利用層次樹進(jìn)行多級負(fù)載均衡，根據(jù)層次化的網(wǎng)絡(luò)結(jié)構(gòu)將處理器劃分為多個組（均衡域），由這些均衡域組織成一個層次結(jié)構(gòu)。在層次結(jié)構(gòu)中的每一層，相鄰的域間進(jìn)行負(fù)載均衡，并且從底層至上層，在每層執(zhí)行相同的域間負(fù)載均衡過程，最后在根節(jié)點(diǎn)完成全局的負(fù)載均衡。

2.3、負(fù)載均衡算法層級

2.3.1、系統(tǒng)級負(fù)載均衡

?DNS負(fù)載均衡

DNS負(fù)載均衡是一種使用DNS（域名系統(tǒng)）來分散到達(dá)特定網(wǎng)站的流量的方法。基本上，它是通過將一個域名解析到多個IP地址來實現(xiàn)的。當(dāng)用戶試圖接入這個域名時，DNS服務(wù)器會根據(jù)一定的策略選擇一個IP地址返回給用戶，以此來實現(xiàn)網(wǎng)絡(luò)流量的均衡分配。

?Nginx負(fù)載均衡

Nginx是一種高效的Web服務(wù)器/反向代理服務(wù)器，它也可以作為一個負(fù)載均衡器使用。在負(fù)載均衡配置中，Nginx可以將接收到的請求分發(fā)到多個后端服務(wù)器上，從而提高響應(yīng)速度和系統(tǒng)的可靠性。Nginx是負(fù)載均衡比較常用的方案。

?LVS/F5+Nginx

Nginx一般用于七層負(fù)載均衡，其吞吐量是有一定限制的，如果網(wǎng)站的請求量非常高，還是存在性能問題。為了提升整體吞吐量，會在DNS和Nginx之間引入接入層，如使用LVS（軟件負(fù)載均衡器)、F5（硬件負(fù)載均衡器）可以做四層負(fù)載均衡，即首先DNS解析到LVS/F5，然后LVS/F5轉(zhuǎn)發(fā)給Nginx，再由Nginx轉(zhuǎn)發(fā)給后端真實服務(wù)器。

2.3.2、應(yīng)用級負(fù)載均衡

?Ribbon負(fù)載均衡

Ribbon是一個開源的、基于HTTP和TCP的客戶端負(fù)載均衡工具，它提供了一個簡單的、基于配置的負(fù)載均衡策略，其通過在客戶端上運(yùn)行來選擇最佳的服務(wù)器。Ribbon提供了多種負(fù)載均衡策略，如隨機(jī)、輪詢、最少活躍調(diào)用等，可以根據(jù)實際需求選擇合適的策略。當(dāng)客戶端連接到服務(wù)器后，Ribbon會根據(jù)服務(wù)器的響應(yīng)速度、負(fù)載情況等因素進(jìn)行評估，并動態(tài)調(diào)整選擇的服務(wù)器。這種方式可以實現(xiàn)更靈活的負(fù)載均衡，提高系統(tǒng)的可用性和性能。

?Dubbo負(fù)載均衡

Dubbo是一種高性能的分布式服務(wù)框架，它提供了一套完整的服務(wù)治理解決方案。其中，負(fù)載均衡是Dubbo框架的重要特性之一，它可以幫助我們實現(xiàn)服務(wù)調(diào)用的負(fù)載均衡，提高系統(tǒng)的性能和可靠性。通過配置文件或編程方式，我們可以基于Dubbo框架在多個服務(wù)提供者之間靈活地進(jìn)行請求分發(fā)，以實現(xiàn)請求的負(fù)載均衡。具體地，其提供了多種負(fù)載均衡策略，包括隨機(jī)、輪詢、最少活躍調(diào)用等。

三、方案實踐

3.1、模型系統(tǒng)負(fù)載均衡策略演進(jìn)歷程

圖3-1. 在線模型系統(tǒng)服務(wù)常見架構(gòu)

3.1.1、常見負(fù)載均衡策略

?靜態(tài)負(fù)載均衡技術(shù)

?輪詢（Round Robin）、隨機(jī)（Random）等；

?處理策略簡單、時效性高，但依賴集群節(jié)點(diǎn)同質(zhì)化假設(shè)。

?動態(tài)負(fù)載均衡技術(shù)

?最小鏈接數(shù)（Least Connections）、最低時延（Locality Aware）等；

?基于節(jié)點(diǎn)相關(guān)狀態(tài)信息反饋，實時調(diào)整分流策略，進(jìn)而達(dá)到期望指標(biāo)的均衡。

3.1.2、演進(jìn)一：LB策略適配服務(wù)集群業(yè)務(wù)特點(diǎn)

?在線特征服務(wù)集群

?在線廣告業(yè)務(wù)場景：User & Sku數(shù)量龐大、特征類型豐富。

?集群Cache機(jī)制保證特征處理時效性，并降低相關(guān)依賴服務(wù)（如：SKU服務(wù)集群）請求壓力。

?LB策略需保證一定的Cache命中率：基于用戶PIN的一致性Hash策略[3]。

?模型預(yù)估服務(wù)集群

?在線推理過程對請求之間透明，常規(guī)隨機(jī)Random策略即可。

3.1.3、演進(jìn)二：LB策略引入“可用率”目標(biāo)，增強(qiáng)服務(wù)穩(wěn)定性

?問題現(xiàn)象

?集群單節(jié)點(diǎn)異常，個別異常節(jié)點(diǎn)可用率影響集群整體可用率。

?線上突發(fā)流量變化，影響服務(wù)穩(wěn)定性，甚至導(dǎo)致服務(wù)不可用，服務(wù)集群缺乏自動防護(hù)。

?策略升級

?靜態(tài)策略 → 動態(tài)策略：引入集群節(jié)點(diǎn)實時可用率統(tǒng)計指標(biāo)。

?服務(wù)可用率指標(biāo)直接控制節(jié)點(diǎn)流量分配、請求降級/恢復(fù)：（1）可用率低于集群平均可用率閾值節(jié)點(diǎn)減少分流比例；（2）集群平均可用率低于閾值，開啟降級防護(hù)，并周期性嘗試降級恢復(fù)。

3.1.4、演進(jìn)三：LB策略添加“異構(gòu)硬件利用率”（CPU/GPU）目標(biāo)，提高資源利用率

?問題現(xiàn)象

?集群異質(zhì)化節(jié)點(diǎn)部署，各節(jié)點(diǎn)資源利用不均。

?集群木桶效應(yīng)嚴(yán)重，個別節(jié)點(diǎn)性能受限觸發(fā)集群整體擴(kuò)容。

?策略升級

?單目標(biāo)策略 → 多目標(biāo)分級策略：進(jìn)一步添加集群節(jié)點(diǎn)CPU/GPU資源利用統(tǒng)計指標(biāo)。

?服務(wù)可用率指標(biāo)為主，CPU/GPU資源利用率指標(biāo)為輔。在服務(wù)可用率滿足的條件下，進(jìn)一步調(diào)節(jié)流量分配比例，實現(xiàn)集群CPU/GPU資源利用率的最大化。

3.1.5、演進(jìn)四：LB實現(xiàn)框架統(tǒng)一，支撐廣告系統(tǒng)全鏈路算力的最優(yōu)調(diào)度

?問題現(xiàn)象

?模型系統(tǒng)內(nèi)部各模塊LB框架各異，維護(hù)開發(fā)成本較高。

?模型系統(tǒng)內(nèi)、外服務(wù)之間的不同LB框架無法復(fù)用，阻礙廣告系統(tǒng)全鏈路算力的最優(yōu)化實現(xiàn)。

?策略升級

?模塊化重構(gòu)LB策略相關(guān)邏輯實現(xiàn)，并統(tǒng)一LB框架，進(jìn)而打通模型系統(tǒng)內(nèi)、外服務(wù)之間的算力孤島。

3.1.6、總結(jié)

?生產(chǎn)環(huán)境復(fù)雜多變，進(jìn)而要求LB策略的設(shè)計對系統(tǒng)影響穩(wěn)定且結(jié)果可預(yù)見。

?業(yè)務(wù)服務(wù)指標(biāo)和集群性能指標(biāo)之間相互影響，單目標(biāo)均衡策略無法兩者兼顧。

?多目標(biāo)均衡策略必然引入成倍的決策復(fù)雜度：k（均衡目標(biāo)數(shù)）* n（C端集群）*m（S端集群）。

?多目標(biāo)均衡分級：不同目標(biāo)間相互耦合，難以兼顧！總需要有一個主目標(biāo)作為兜底。

?均衡目標(biāo)與均衡策略之間的適配&兼容：（1）多目標(biāo)（CPU+可用率）、多負(fù)載均衡策略（Random、ConsistentHash）適配簡單；（2）新LB策略對舊LB均衡策略的兼容性（CPU均衡對一致性Hash原則的兼容性）。

3.2、“服務(wù)可用率+資源利用率”雙目標(biāo)聯(lián)合均衡LB策略

該策略以服務(wù)可以率目標(biāo)為兜底，基于待優(yōu)化資源利用率目標(biāo)的期望取值，將任意時刻整個集群的所有節(jié)點(diǎn)劃分為 “負(fù)反饋列表（refuse list）” 和 “正反饋列表（accept list）” 兩部分，且節(jié)點(diǎn)實際取值與期望取值之間的數(shù)值差異表征了當(dāng)前節(jié)點(diǎn)在該優(yōu)化目標(biāo)上的“均衡度”。同時，負(fù)反饋列表中的節(jié)點(diǎn)采用減少分流比例策略，正反饋列表中的節(jié)點(diǎn)則增加分流比例，而分流策略的具體變化比例由當(dāng)前節(jié)點(diǎn)的均衡度來決定。

3.2.1、雙目標(biāo)分級反饋

針對在線服務(wù)應(yīng)用場景，往往更關(guān)注于服務(wù)本身的可用率指標(biāo)，與之相較的CPU利用率則作為L2級均衡目標(biāo)，具體地：

?Stage-1：統(tǒng)計當(dāng)前周期內(nèi)集群各節(jié)點(diǎn)請求的成功數(shù)量和失敗數(shù)量以計算出單個服務(wù)節(jié)點(diǎn)的平均可用率；

?Stage-2：通過匯總所有服務(wù)節(jié)點(diǎn)的平均可用率以獲得集群的平均可用率，并將其作為可用率均衡目標(biāo)在當(dāng)前周期內(nèi)的期望取值；

?Stage-3：基于各節(jié)點(diǎn)平均可用率與集群平均可用率之間的差異，確定出各服務(wù)節(jié)點(diǎn)的均衡度：當(dāng)前服務(wù)節(jié)點(diǎn)的可用率已滿足均衡目標(biāo)，則進(jìn)一步進(jìn)行L2級CPU利用率目標(biāo)均衡；否則，選取下一節(jié)點(diǎn)重新進(jìn)行服務(wù)可用率均衡處理。

3.2.2、服務(wù)可用率主動防護(hù)

?Stage-1：節(jié)點(diǎn)選擇，待選擇節(jié)點(diǎn)成功率需不低于集群平均成功率。

?Stage-2：成功率更新，雙端隊列固定窗口維護(hù)各節(jié)點(diǎn)請求RPC狀態(tài)，并實時更新集群平均成功率。

?Stage-3：主動防護(hù)，周期性統(tǒng)計集群歷史平均成功率，并判斷其變化趨勢：如成功率變差，則觸發(fā)主動防護(hù)降級；如成功率變好，則逐漸恢復(fù)降級防護(hù)。

3.2.3、資源利用率（如CPU）漸進(jìn)式收斂

?Stage-1：集群中所有節(jié)點(diǎn)的列表屬性均被初始化為refuse list，同時設(shè)置節(jié)點(diǎn)分流策略的調(diào)整比例

為0;

?Stage-2：收集集群各節(jié)點(diǎn)周期性反饋的CPU利用率

，計算出當(dāng)前集群整體的CPU利用率均值，進(jìn)而得到CPU利用率均衡目標(biāo)的期望取值

;

?Stage-3：針對實際迭代場景中不同屬性的集群節(jié)點(diǎn)，先根據(jù)式 (1)、(2) 獲得節(jié)點(diǎn)CPU利用率的實際均衡度

，再通過式 (3)、(4)來完成對應(yīng)節(jié)點(diǎn)分流策略調(diào)整比例的迭代更新：

。

3.2.4、收斂域+權(quán)重衰減

追求期望指標(biāo)的絕對均衡，難以兼容與流量分布密切相關(guān)的LB策略，如一致性哈希（Consistent Hashing）。

?為

引入容差范圍

，使得均衡目標(biāo)的收斂從單一基準(zhǔn)點(diǎn)擴(kuò)展為收斂區(qū)域。

?定期衰減分流權(quán)重，在容差范圍內(nèi)進(jìn)一步弱化對一致性Hash原則的影響。

3.2.5、聯(lián)合均衡策略特點(diǎn)

?兼顧服務(wù)指標(biāo)（可用率）和性能指標(biāo)（CPU利用率）。

?漸進(jìn)收斂，動態(tài)調(diào)權(quán)過程更穩(wěn)定，且支持收斂域。

四、效果展示

4.1、收斂點(diǎn)

?通過閉環(huán)反饋調(diào)整邏輯，實現(xiàn)集群平均基準(zhǔn)收斂點(diǎn)均衡。

?2022年618期間在模型預(yù)估服務(wù)集群全量上線，優(yōu)化整體機(jī)器資源利用率10%+。

4.2、收斂域+權(quán)重衰減

?CPU使用率 Max/Min Diff 減少 2 倍，服務(wù)集群緩存命中率降低控制在2% 以內(nèi)。

?2022年雙十一期間在模型特征服務(wù)集群全量上線，優(yōu)化整體機(jī)器資源利用率15%+。

4.3、異構(gòu)硬件擴(kuò)展

不限于CPU利用率的均衡，針對GPU A10、A30異構(gòu)硬件混合部署的模型預(yù)估服務(wù)平臺，通過在服務(wù)內(nèi)部增加GPU利用率探針，直接擴(kuò)展為對GPU硬件利用率的均衡，等效優(yōu)化機(jī)器資源上千核。

4.4、LB框架統(tǒng)一

?LB框架統(tǒng)一后，模型系統(tǒng)內(nèi)、外服務(wù)LB策略完全打通。

?2024年618大促前后模型接入服務(wù)模塊完成全量上線，整體CPU資源利用率優(yōu)化20%+。

五、經(jīng)驗總結(jié)

5.1、穩(wěn)定調(diào)權(quán)過程中的異常處理

?權(quán)重歸一化，避免權(quán)重更新出現(xiàn)發(fā)散。

?排除異常節(jié)點(diǎn)數(shù)據(jù)，即使最壞情況下也需保證系統(tǒng)不能差于初始狀態(tài)。

?......

5.2、性能極限情況下的主動限流防護(hù)

?均衡策略有效的前提：流量變化與均衡目標(biāo)之間存在相關(guān)性！

?節(jié)點(diǎn)性能到達(dá)極限時，相關(guān)性關(guān)系可能失效，主動限流防護(hù)必不可少。

Reference

1.Wang G, Zhang L, Xu W .What Can We Learn from Four Years of Data Center Hardware Failures[C]//Dependable Systems and Networks.IEEE, 2017.DOI:10.1109/dsn.2017.26.

2.楊際祥,譚國真,王榮生.并行與分布式計算動態(tài)負(fù)載均衡策略綜述[J].電子學(xué)報, 2010, 38(5):9.DOI:CNKI:SUN:DZXU.0.2010-05-023.

3.Mirrokni V , Thorup M , Zadimoghaddam M .Consistent Hashing with Bounded Loads[J]. 2016.DOI:10.48550/arXiv.1608.01350.

4. https://developer.aliyun.com/article/1325514 .

審核編輯 黃宇