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。电信大流量卡
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, intweig电信大流量卡ht){ 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; IWr电信大流量卡r 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。
我们首电信大流量卡先计算总的权重值，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电信大流量卡 = 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 电信大流量卡–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的数值很可能会被电信大流量卡用完了，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ceilingEn电信大流量卡try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(Elem电信大流量卡ent 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) { returnpool.ceilingEntry(hit).ge电信大流量卡tValue().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,，相比较按顺序电信大流量卡轮询的方式，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[]电信大流量卡 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电信大流量卡 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这电信大流量卡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上加上对应节电信大流量卡点的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) {电信大流量卡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){ intweight = item.ele.weight; total += weight; item.current +电信大流量卡= weight;if(item.current > shed.current){ shed = item; } } shed.current -= total; return shed.ele.peer; } } 复制代码Nginx的这个版本，写法非常简单。建议好好理解，掌握红黑树和Ningx版本的写法即可。
End
一般的面试，其实集中在随机数和递增版本上，当然红黑树这一版也可以考虑一下。至于LVS和Nginx的这些写法，如果以前没有碰到过，大概率是写不出来的，除非你是天才。
但是如果你是天才，还用得着这样粗俗的面试么？
原文链接：
https:/电信大流量卡/juejin.cn/post/7044767564941459487如果本文对你有帮助的话，麻烦点赞关注支持一下
友情提醒： 请添加客服微信进行免费领取流量卡！
QQ交流群：226333560 站长微信：qgzmt2
原创文章，作者：sunyaqun，如若转载，请注明出处：https://www.dallk.cn/58387.html
