轉(zhuǎn)自 論文中文導(dǎo)讀-Maglev奉狈。原文為繁體字嫉柴,為方便閱讀耍攘,此處改為簡體恕酸。
前言
這一篇論文吸引我注意的原因是堪滨, Consistent Hashing 本來的特性就是作為 Distributed Caching 之用. 但是 Google 將他們的 Load Balancer (代號: Maglev ) 公布他的實作方式,里面并且將 Consistent Hashing 做了一些小改版來符合他們的需求.
由于我之前就有學(xué)習(xí)過 Consistent Hashing 尸疆,所以相當(dāng)好奇 Google 能夠如何地將它更進(jìn)一步地做提升. 就想要閱讀這一篇論文.
本篇導(dǎo)讀主要內(nèi)容如下:
- 介紹 Maglev 的特性與其改善的部分
- 回顧 Consistent Hashing
- 介紹 Maglev Hashing
原始論文
Maglev: A Fast and Reliable Software Network Load Balancer
導(dǎo)讀
什么是Maglev椿猎?
Maglev 是 Google 的軟體 Load Balancer ,不像是一般硬體的 Load Balancer 寿弱, 他可以運行在一般的 Linux 機器上面. Maglev 在 Google 內(nèi)部已經(jīng)運行了超過 六年 ( since 2008 ) .一臺 Maglev 可以處理 10Gbps 的小封包連結(jié).
Maglev 主要的功能與特色
Maglev 主要的功能與特色Maglev 作為 Google 內(nèi)部的高效能軟體 Load Balancer 犯眠,他有以下兩個主要功能:
- 新的 Consistent Hashing Algorithm 稱為 Maglev Hashing
- Connection Tracking
回過來講,那什么是 Consistent Hashing ?
講到 Consistent Hashing 就必須要提到原本 distributed caching 的運作是靠 Hash Table 的方式來達(dá)成症革,比如說:
- 來源 ip : 1.2.3.4 透過將來源 ip 做 Hashing 過后指向 server1
- 來源 ip : 1.2.3.5 透過將來源 ip 做 Hashing 過后指向 server2
- 來源 ip : 1.2.4.6 透過將來源 ip 做 Hashing 過后指向 server3
依照原先的設(shè)計如果 server1 發(fā)生了故障筐咧,那麼不論如何 1.2.3.4 就無法連接到任何一個伺服器.
于是 Consistent Hashing 就是在這裡發(fā)揮效果. 根據(jù)定義 Consistent Hashing 為一個排序的環(huán)狀的表格,上面根據(jù) Hashing 的數(shù)值來存放不同的節(jié)點資訊噪矛,并且需要滿足以下兩個條件:
-
Minimal Disruption: 這邊指的就是如果有節(jié)點被刪除量蕊,應(yīng)該要達(dá)到只有該節(jié)點影響到的部分要修改而已。在Consistent Hashing里面透過選取下一個的方式艇挨,通過將索引排序后残炮,直接選取下一個節(jié)點作為Hashing后的結(jié)果節(jié)點。簡單的范例如下:
- 來源 IP 位置
1.2.3.4
缩滨,經(jīng)過 Hashing 后得到位置 1024 (假設(shè)) - 到表格 1024 查詢資料势就,發(fā)現(xiàn) 1024 的節(jié)點服務(wù)器
server1
已經(jīng)出現(xiàn)故障. - 尋找 1024 最接近的下一個節(jié)點 (假設(shè)是 1028 ) 並且對應(yīng)到
server2
- 分配
server2
- 來源 IP 位置
對于 Maglev 而言,原本的 Consistent Hashing 有哪些缺點(限制)脉漏?
雖然 Consisten Hashing 本身已經(jīng)解決了許多的問題苞冯,但是對于 Google 而言,他們有以下兩個額外的部份需要考量:
- 需要更均勻地分配每個節(jié)點位置: 由于 Google 的每個節(jié)點可能都是數(shù)百臺的機器侧巨,由于來源資料龐大舅锄,根據(jù)舊的演算法可能需要相當(dāng)大的 lookup table 才能負(fù)荷.
- 需要更減少 Disruption : 對于 Google 的需求,演算法需要容忍小量的 disruption .
關(guān)于 Maglev Hashing Algorithm 的介紹
根據(jù)以上兩個需要額外考量(應(yīng)該說是要更加強化)的部分司忱, Google 提出了新的 Consistent Hashing 的演算法皇忿,稱為 Maglev Hashing Algorithm
主要概念: 新增 Preference List 概念
Preference List (偏好清單) 會分配給每一個節(jié)點,讓每一個節(jié)點去填上自己偏好的位址( Permutation ).直到整個表格是填滿的狀態(tài).
效能:
這裡需要注意坦仍,如果 M 相當(dāng)接近 N 的話轧叽,整體效能很容易落入最差狀況.
但是如果 M>>N 黍判,比較容易將效能落入平均的狀況.
平均狀況: O(MlogM)
最差狀況: O(M2)
其中:
- M 是表示 lookup table 的大衅ぁ.
- N 是表示 節(jié)點的個數(shù).
流程:
- 首先 Maglev Hashing 會先把所有的 Preference List 產(chǎn)生出來.
- 透過產(chǎn)生好的 Preference List 開始將節(jié)點一個個地加入并且產(chǎn)生出Lookup table
程式碼分析:
計算 “排列表格” Permutation Table
以下先簡單列出 generatePopulation()掀亩,主要目的就是建立permutation table也就一個排列組合的表格.
//name is the list of backend.
func generatePopulation() {
//如果 []name 是空的就離開
if len(name) == 0 {
return
}
for i := 0; i < len(name); i++ {
bData := []byte(name[i])
//計算 offset 透過 Hash K1
offset := siphash.Hash(0xdeadbabe, 0, bData) % M
//計算 skip 透過 Hash K2
skip := (siphash.Hash(0xdeadbeef, 0, bData) % (M - 1)) + 1
iRow := make([]uint64, M)
var j uint64
for j = 0; j < m.m; j++ {
//排列組合的表格
iRow[j] = (offset + uint64(j)*skip) % M
}
permutation = append(permutation, iRow)
}
}
由于 M 必須是一個prime number (如果不給 prime number ,找出的 permutation 就會有重複值) ,舉例 M=7 這個函式就會產(chǎn)生可能是 [3, 2, 5, 6, 0, 4, 1] 或是 [0, 5, 6, 4, 2, 3, 1] . 這樣的排列表格是為之后使用的.
產(chǎn)生查表表格(Lookup Table)
論文中的 Populate Maglev Hashing lookup table 的 Golang 程式碼.
這邊有兩個表格:
- entry: 代表表格中有沒有走過.假設(shè) lookup table 大小為 7铺峭,就得 0 ~ 6 都走過一次. (不然為 -1).而最后裡面的數(shù)值就是節(jié)點的索引.
- next: 代表排列表格的下一個位置.如果節(jié)點有三個墓怀,那麼排列表格就有三組.于是 next 大小也有三個,分別記錄每一個排列表格走到第幾個位置.
用例
unc (m *Maglev) populate() {
if len(m.nodeList) == 0 {
return
}
var i, j uint64
next := make([]uint64, m.n)
entry := make([]int64, m.m)
for j = 0; j < m.m; j++ {
entry[j] = -1
}
var n uint64
for { //true
for i = 0; i < m.n; i++ {
c := m.permutation[i][next[i]]
for entry[c] >= 0 {
next[i] = next[i] + 1
c = m.permutation[i][next[i]]
}
entry[c] = int64(i)
next[i] = next[i] + 1
n++
if n == m.m {
m.lookup = entry
return
}
}
}
}
以下用簡單的范例資料卫键,希望能夠讓大家更容易了解傀履。
N = 3
M = 5
m.permutation [0] = [4, 3, 2, 1, 0]
m.permutation [1] = [3, 2, 1, 0, 4]
m.permutation [2] = [0, 1, 2, 3, 4]
透過這個范例,建立出 Lookup table 的方式如下:
- 將剛剛建立出的排列表格拿出來
- i=0 莉炉,從第一個排列表格的第一個挑出數(shù)值 c1=4 钓账,那麼 entry[4] = 0 (代表 lookup table 中的 entry[4] 是指向節(jié)點 0.
- i=1 ,從第二個排列表格的第一個挑出數(shù)值 c2=3 絮宁,那麼 entry[3] = 1
- i=2 梆暮,從第三個排列表個的第一個挑出數(shù)值 c3=0 ,那麼 entry[0] = 2
- 重跑 i 迴圈绍昂, i=0 . 從第一個排列表格的第二個( index=1 )挑出數(shù)值 c4=3 啦粹,由于 entry[3] 走過了,往后走一個 (next[0] +1) 走到 m.permutation[0][2]=2窘游, 于是 entry[2]=0
-
依此類推唠椭,直到所有的 n == M .此時,也會發(fā)現(xiàn) entry[] 不再存在任何 -1
詳細(xì)走法如下圖:
Maglev Hashing 跟 Consistent Hashing 的比較
這部分比較屬于我的心得忍饰,建議各位看完論文后再看這段.
- Consistent Hashing
- 準(zhǔn)備工作:
- 將每個節(jié)點數(shù)值根據(jù) Hashing key 加入 lookup table
- 製作出 Virtual Node 來達(dá)到平衡.
- 如何查詢:
- 將數(shù)值透過 Hash Key 對應(yīng)到一個 lookup table 的索引 index
- 如果該 index 沒有節(jié)點贪嫂,往下尋找最接近的節(jié)點
- 準(zhǔn)備工作:
- Maglev Hashing
- 準(zhǔn)備工作:
- 需要先建立一個排列表格
- 并請需要先 透過排列表格做出偏好清單.注意這時候所有 lookup table 每一個索引都有一個節(jié)點分配.
- 如何查詢:
- 數(shù)值透過 Hash Key 對應(yīng)到一個 lookup table 的索引 index
- 由于準(zhǔn)備工作,該 index 必定存在數(shù)值
- 傳回節(jié)點資料
- 準(zhǔn)備工作:
完整代碼
這邊有我的完整代碼艾蓝,大家可以參考以下: