在SpringCloud--Ribbon--源码解析--IloadBalancer&ServerListUpdater&ServerListFilter实现说到ILoadBalance的实现时提到，获取到可用的服务列表之后，需要使用IRule从实例清单中挑选一个实例进行访问，IRule接口源码及实现类关系图如下所示：
public interface IRule{
public Server choose(Object key);
public void setLoadBalancer(ILoadBalancer lb);
public ILoadBalancer getLoadBalancer();
}
接下来，就一一看下这十个实现类
1、AbstractLoadBalancerRule
AbstractLoadBalancerRule类是负载均衡策略IRule的抽象实现类，在该抽象类中定义了负载均衡器ILoadBalancer对象，该对象能够在具体实现选择服务策略时，获取到一些负载均衡器中维护的信息来作为分配依据，并依次设计一些算法来针对特定场景的高级策略。
public abstract class AbstractLoadBalancerRule implements IRule, IClientConfigAware {
private ILoadBalancer lb;
@Override
public void setLoadBalancer(ILoadBalancer lb){
this.lb = lb;
}
@Override
public ILoadBalancer getLoadBalancer(){
return lb;
}
}
2、RandomRule
该策略实现了从服务实例清单中随机选择一个服务实例的功能。从下面的源码可以看到，该实现类的choose方法传入了一个负载均衡器，并且使用负载均衡器获取对应的可用服务列表和全部服务列表，并通过chooseRandomInt方法获取一个随机数，该随机数作为可用服务列表的索引来获取具体的实例。这里有个问题，选择服务实例时使用的是while获取，正常情况下，每次选择都应该能选择一个实例进行返回，但是如果出现异常导致每一次都获取步到可用的实例，那么如果出现死循环而获取不到服务实例时，则很有可能存在并发的BUG。
public Server choose(ILoadBalancer lb, Object key) {
if (lb == null) {
return null;
}
Server server = null;
while (server == null) {
if (Thread.interrupted()) {
return null;
}
List<Server> upList = lb.getReachableServers();
List<Server> allList = lb.getAllServers();
int serverCount = allList.size();
if (serverCount == 0) {
/*
* No servers. End regardless of pass, because subsequent passes
* only get more restrictive.
*/
return null;
}
int index = chooseRandomInt(serverCount);
server = upList.get(index);
if (server == null) {
/*
* The only time this should happen is if the server list were
* somehow trimmed. This is a transient condition. Retry after
* yielding.
*/
Thread.yield();
continue;
}
if (server.isAlive()) {
return (server);
}
// Shouldn't actually happen.. but must be transient or a bug.
server = null;
Thread.yield();
}
return server;
}
3、RoundRobinRule
该策略实现了按照轮询的方式依次选择每个服务实例的功能。该实现和上述的RandomRule类似，只是获取逻辑不同，该负载均衡策略实现逻辑是直接获取下一个可用实例，如果超过10次没有获取到可用的实例，则返回空且打印异常信息。
public Server choose(ILoadBalancer lb, Object key) {
if (lb == null) {
log.warn("no load balancer");
return null;
}
Server server = null;
int count = 0;
while (server == null && count++ < 10) {
List<Server> reachableServers = lb.getReachableServers();
List<Server> allServers = lb.getAllServers();
int upCount = reachableServers.size();
int serverCount = allServers.size();
if ((upCount == 0) || (serverCount == 0)) {
log.warn("No up servers available from load balancer: " + lb);
return null;
}
int nextServerIndex = incrementAndGetModulo(serverCount);
server = allServers.get(nextServerIndex);
if (server == null) {
/* Transient. */
Thread.yield();
continue;
}
if (server.isAlive() && (server.isReadyToServe())) {
return (server);
}
// Next.
server = null;
}
if (count >= 10) {
log.warn("No available alive servers after 10 tries from load balancer: "
+ lb);
}
return server;
}
4、RetryRule
该策略实现了一个具备重试机制的实力选择功能。重下述源码可以看出，其选择服务实例使用的是轮询选择策略RoundRobinRule，然后在获取不到服务实例的情况下，则反复尝试获取，直到调用时间超过设置的阈值，则返回空。
IRule subRule = new RoundRobinRule();
long maxRetryMillis = 500;
public Server choose(ILoadBalancer lb, Object key) {
long requestTime = System.currentTimeMillis();
long deadline = requestTime + maxRetryMillis;
Server answer = null;
answer = subRule.choose(key);
if (((answer == null) || (!answer.isAlive()))
&& (System.currentTimeMillis() < deadline)) {
InterruptTask task = new InterruptTask(deadline
- System.currentTimeMillis());
while (!Thread.interrupted()) {
answer = subRule.choose(key);
if (((answer == null) || (!answer.isAlive()))
&& (System.currentTimeMillis() < deadline)) {
/* pause and retry hoping it's transient */
Thread.yield();
} else {
break;
}
}
task.cancel();
}
if ((answer == null) || (!answer.isAlive())) {
return null;
} else {
return answer;
}
}
5、WeightedResponseTimeRule
该策略继承自RoundRobinRule，增加了根据实例的运行情况来计算权重，并根据权重来挑选实例，以达到更优的分配效果，其核心内容分为三块：定时任务、权重计算、实例选择
（1）定时任务
@Override
public void setLoadBalancer(ILoadBalancer lb) {
super.setLoadBalancer(lb);
if (lb instanceof BaseLoadBalancer) {
name = ((BaseLoadBalancer) lb).getName();
}
initialize(lb);
}
public static final int DEFAULT_TIMER_INTERVAL = 30 * 1000;
private int serverWeightTaskTimerInterval = DEFAULT_TIMER_INTERVAL;
void initialize(ILoadBalancer lb) {
if (serverWeightTimer != null) {
serverWeightTimer.cancel();
}
serverWeightTimer = new Timer("NFLoadBalancer-serverWeightTimer-"
+ name, true);
serverWeightTimer.schedule(new DynamicServerWeightTask(), 0,
serverWeightTaskTimerInterval);
// do a initial run
ServerWeight sw = new ServerWeight();
sw.maintainWeights();
Runtime.getRuntime().addShutdownHook(new Thread(new Runnable() {
public void run() {
logger
.info("Stopping NFLoadBalancer-serverWeightTimer-"
+ name);
serverWeightTimer.cancel();
}
}));
}
class DynamicServerWeightTask extends TimerTask {
public void run() {
ServerWeight serverWeight = new ServerWeight();
try {
serverWeight.maintainWeights();
} catch (Exception e) {
logger.error("Error running DynamicServerWeightTask for {}", name, e);
}
}
}
从上述源码可见，在设置负载均衡策略对应的负载均衡器时，调用了initialize方法，而该方法创建了一个定时任务来计算权重（最终调用的serverWeight.maintainWeights()方法），每30秒执行一次。
（2）权重计算
private volatile List<Double> accumulatedWeights = new ArrayList<Double>();
class ServerWeight {
public void maintainWeights() {
ILoadBalancer lb = getLoadBalancer();
if (lb == null) {
return;
}
if (!serverWeightAssignmentInProgress.compareAndSet(false, true)) {
return;
}
try {
logger.info("Weight adjusting job started");
AbstractLoadBalancer nlb = (AbstractLoadBalancer) lb;
LoadBalancerStats stats = nlb.getLoadBalancerStats();
if (stats == null) {
// no statistics, nothing to do
return;
}
double totalResponseTime = 0;
// find maximal 95% response time
for (Server server : nlb.getAllServers()) {
// this will automatically load the stats if not in cache
ServerStats ss = stats.getSingleServerStat(server);
totalResponseTime += ss.getResponseTimeAvg();
}
// weight for each server is (sum of responseTime of all servers - responseTime)
// so that the longer the response time, the less the weight and the less likely to be chosen
Double weightSoFar = 0.0;
// create new list and hot swap the reference
List<Double> finalWeights = new ArrayList<Double>();
for (Server server : nlb.getAllServers()) {
ServerStats ss = stats.getSingleServerStat(server);
double weight = totalResponseTime - ss.getResponseTimeAvg();
weightSoFar += weight;
finalWeights.add(weightSoFar);
}
setWeights(finalWeights);
} catch (Exception e) {
logger.error("Error calculating server weights", e);
} finally {
serverWeightAssignmentInProgress.set(false);
}
}
}
void setWeights(List<Double> weights) {
this.accumulatedWeights = weights;
}
通过源码可见，代码中维护一个用于存储权重的List集合accumulatedWeights，同时，通过maintainWeights方法做了权重计算，该计算主要分为两步，第一步，根据LoadBalancerStatus中记录的每个实例的统计信息，累加所有实例的平均响应时间，得到总的响应时间totalResponseTime；第二步，为负载均衡器中维护的实例清单逐个计算权重（从第一个开始），计算规则为weightSoFar+totalResponseTime-实例的平均响应时间，其中weightSoFar的初始值为0。
举个例子，如果有ABCD4个实例，他们的平均响应时间是10、40、80、100，那么总的相应时间就是230，那么计算出4个实例的权重分别为：
A：230-10 = 220
B：220+（230-40） = 410
C：410+（230-80） = 560
D：560+（230-100） = 690
权重区间是左开右闭，但是第一个和最后一个比较特殊，由于在后续选择实例时会用随机数从区间中获取，但是随机数最小值可以是0，但是不会到达随机数的最大值，因此第一个左边的0是闭区间，而最后一个的右侧是开区间，因此这4个实例对应的权重区间即为：
A：[0，220]
B：(220，410]
C：(410，560]
D：(560，690）
不难发现，区间的宽度就是总的平均响应时间-实例的平均响应时间，因此实例的平均响应时间越短，那么权重的区间就越大，那么被选中的几率就越大。
（3）实例选择
public Server choose(ILoadBalancer lb, Object key) {
if (lb == null) {
return null;
}
Server server = null;
while (server == null) {
// get hold of the current reference in case it is changed from the other thread
List<Double> currentWeights = accumulatedWeights;
if (Thread.interrupted()) {
return null;
}
List<Server> allList = lb.getAllServers();
int serverCount = allList.size();
if (serverCount == 0) {
return null;
}
int serverIndex = 0;
// last one in the list is the sum of all weights
double maxTotalWeight = currentWeights.size() == 0 ? 0 : currentWeights.get(currentWeights.size() - 1);
// No server has been hit yet and total weight is not initialized
// fallback to use round robin
if (maxTotalWeight < 0.001d || serverCount != currentWeights.size()) {
server = super.choose(getLoadBalancer(), key);
if(server == null) {
return server;
}
} else {
// generate a random weight between 0 (inclusive) to maxTotalWeight (exclusive)
double randomWeight = random.nextDouble() * maxTotalWeight;
// pick the server index based on the randomIndex
int n = 0;
for (Double d : currentWeights) {
if (d >= randomWeight) {
serverIndex = n;
break;
} else {
n++;
}
}
server = allList.get(serverIndex);
}
if (server == null) {
/* Transient. */
Thread.yield();
continue;
}
if (server.isAlive()) {
return (server);
}
// Next.
server = null;
}
return server;
}
通过上述源码可见，其首先生成了一个 [0，最大权重值） 区间内的随机数，然后循环权重区间，如果该随机数在权限区间内，则就拿当前权重列表的索引去服务实例获取对应的服务。还是以上面的ABCD四个实例来说明，那么随机数就是从 [0，690) 的区间中获取，如果获取的随机数数230，那么该随机数在实例B的权重区间内，因此就会选择B实例。
6、ClientConfigEnabledRoundRobinRule
该策略比较特殊，一般不会使用它。因为它本身没有什么特殊的处理逻辑，正如下面源码所示，该策略在内部定义了一个RoundRobinRule策略，而choose函数调用的就是RoundRobinRule的choose函数。该类主要的作用就是通过继承该类，在子类中做一些其他的策略时，如果条件不满足，则会使用父类的策略。
public class ClientConfigEnabledRoundRobinRule extends AbstractLoadBalancerRule { RoundRobinRule roundRobinRule = new RoundRobinRule(); @Override public void initWithNiwsConfig(IClientConfig clientConfig) { roundRobinRule = new RoundRobinRule(); } @Override public void setLoadBalancer(ILoadBalancer lb) { super.setLoadBalancer(lb); roundRobinRule.setLoadBalancer(lb); } @Override public Server choose(Object key) { if (roundRobinRule != null) { return roundRobinRule.choose(key); } else { throw new IllegalArgumentException( "This class has not been initialized with the RoundRobinRule class"); } } }
7、BestAvailableRule
该策略会选出负载最低的实例。
BestAvailableRule继承自ClientConfigEnabledRoundRobinRule，从choose方法看，会循环所有Server实例，过滤掉故障实例并选出负载最低的Server。同时我们可以发现，如果没有选择到Server的话，就会调用父类的choose方法，那么就会使用到上面说的 “通过继承该类，在子类中做一些其他的策略时，如果条件不满足，则会使用父类的策略” 。
public class BestAvailableRule extends ClientConfigEnabledRoundRobinRule { private LoadBalancerStats loadBalancerStats; @Override public Server choose(Object key) { if (loadBalancerStats == null) { return super.choose(key); } List<Server> serverList = getLoadBalancer().getAllServers(); int minimalConcurrentConnections = Integer.MAX_VALUE; long currentTime = System.currentTimeMillis(); Server chosen = null; for (Server server: serverList) { ServerStats serverStats = loadBalancerStats.getSingleServerStat(server); if (!serverStats.isCircuitBreakerTripped(currentTime)) { int concurrentConnections = serverStats.getActiveRequestsCount(currentTime); if (concurrentConnections < minimalConcurrentConnections) { minimalConcurrentConnections = concurrentConnections; chosen = server; } } } if (chosen == null) { return super.choose(key); } else { return chosen; } } @Override public void setLoadBalancer(ILoadBalancer lb) { super.setLoadBalancer(lb); if (lb instanceof AbstractLoadBalancer) { loadBalancerStats = ((AbstractLoadBalancer) lb).getLoadBalancerStats(); } } }
8、PredicateBasedRule
该策略实现了先通过子类获取一部分实例，然后通过线性轮询的方式从该部分实例中获取一个实例。
public abstract class PredicateBasedRule extends ClientConfigEnabledRoundRobinRule { public abstract AbstractServerPredicate getPredicate(); @Override public Server choose(Object key) { ILoadBalancer lb = getLoadBalancer(); Optional<Server> server = getPredicate().chooseRoundRobinAfterFiltering(lb.getAllServers(), key); if (server.isPresent()) { return server.get(); } else { return null; } } }
PredicateBasedRule继承自ClientConfigEnabledRoundRobinRule，是一个抽象类，它首先使用getPredicate方法获取一个AbstractServerPredicate的实现。而choose方法则是调用AbstractServerPredicate类的chooseRoundRobinAfterFiltering方法获取对应的Server实例并返回。
public Optional<Server> chooseRoundRobinAfterFiltering(List<Server> servers, Object loadBalancerKey) { List<Server> eligible = getEligibleServers(servers, loadBalancerKey); if (eligible.size() == 0) { return Optional.absent(); } return Optional.of(eligible.get(incrementAndGetModulo(eligible.size()))); } public List<Server> getEligibleServers(List<Server> servers, Object loadBalancerKey) { if (loadBalancerKey == null) { return ImmutableList.copyOf(Iterables.filter(servers, this.getServerOnlyPredicate())); } else { List<Server> results = Lists.newArrayList(); for (Server server: servers) { if (this.apply(new PredicateKey(loadBalancerKey, server))) { results.add(server); } } return results; } } private int incrementAndGetModulo(int modulo) { for (;;) { int current = nextIndex.get(); int next = (current + 1) % modulo; if (nextIndex.compareAndSet(current, next) && current < modulo) return current; } }
通过chooseRoundRobinAfterFiltering方法可以看到，其先是调用getEligibleServers方法获取了一部分实例，然后又调用了eligible.get(incrementAndGetModulo(eligible.size()))方法从该部分实例中动态获取了一个Server。其中getEligibleServers方法是根据this.apply(new PredicateKey(loadBalancerKey, server))进行过滤的，如果满足，就添加到返回的集合中，而apply方法，在AbstractServerPredicate中并不存在，因此需要子类实现；而incrementAndGetModulo方法则是直接返回了下一个整数（索引值），通过该索引值从返回的实例列表中取得Server实例。
9、AvailabilityFilteringRule
该策略实现了轮询获取Server并校验Server状态的功能。
public class AvailabilityFilteringRule extends PredicateBasedRule { private AbstractServerPredicate predicate; public AvailabilityFilteringRule() { super(); predicate = CompositePredicate.withPredicate(new AvailabilityPredicate(this, null)) .addFallbackPredicate(AbstractServerPredicate.alwaysTrue()) .build(); } @Override public void initWithNiwsConfig(IClientConfig clientConfig) { predicate = CompositePredicate.withPredicate(new AvailabilityPredicate(this, clientConfig)) .addFallbackPredicate(AbstractServerPredicate.alwaysTrue()) .build(); } @Override public Server choose(Object key) { int count = 0; Server server = roundRobinRule.choose(key); while (count++ <= 10) { if (predicate.apply(new PredicateKey(server))) { return server; } server = roundRobinRule.choose(key); } return super.choose(key); } @Override public AbstractServerPredicate getPredicate() { return predicate; } }
AvailabilityFilteringRule继承自PredicateBasedRule，从其choose方法可见，其并没有完全使用父类的实现方式，而是先轮询获取一个Server，然后判断该Server是否满足需要，如果满足，直接返回；如果不满足，就继续获取下一个Server，如果一直轮询10次还没有符合要求的Server，那么再使用父类的实现方式（先获取所有满足需求的Server列表，然后从该Server列表中轮询获取一个Server对象）
同时从AvailabilityFilteringRule构造函数中可以看到，AvailabilityFilteringRule使用的是AvailabilityPredicate，根据上面讲述的PredicateBasedRule，其必须要实现apply方法，从下述源码可见，apply方法主要是通过shouldSkipServer方法进行判断的，在该方法中，有两个判断维度：是否故障（断路器是否断开）、实例的并发请求数是否大于阈值（int的最大值）
private static final DynamicBooleanProperty CIRCUIT_BREAKER_FILTERING = DynamicPropertyFactory.getInstance().getBooleanProperty("niws.loadbalancer.availabilityFilteringRule.filterCircuitTripped", true); private static final DynamicIntProperty ACTIVE_CONNECTIONS_LIMIT = DynamicPropertyFactory.getInstance().getIntProperty("niws.loadbalancer.availabilityFilteringRule.activeConnectionsLimit", Integer.MAX_VALUE); private ChainedDynamicProperty.IntProperty activeConnectionsLimit = new ChainedDynamicProperty.IntProperty(ACTIVE_CONNECTIONS_LIMIT); @Override public boolean apply(@Nullable PredicateKey input) { LoadBalancerStats stats = getLBStats(); if (stats == null) { return true; } return !shouldSkipServer(stats.getSingleServerStat(input.getServer())); } private boolean shouldSkipServer(ServerStats stats) { if ((CIRCUIT_BREAKER_FILTERING.get() && stats.isCircuitBreakerTripped()) || stats.getActiveRequestsCount() >= activeConnectionsLimit.get()) { return true; } return false; }
10、ZoneAvoidanceRule
ZoneAvoidanceRule同样继承自PredicateBasedRule，同时ZoneAvoidanceRule中没有choose方法，说明完全复用了父类中的策略（先过滤所有可用的实例，然后使用轮询从满足需要的实例清单中获取一个Server）。同时通过ZoneAvoidanceRule的构造函数可见，使用的是CompositePredicate进行的过滤，CompositePredicate的构造函数传入了两个AbstractServerPredicate的子类，分别是主过滤条件ZoneAvoidancePredicate和次过滤条件AvailabilityPredicate（其实次过滤条件可以传入多个）
public ZoneAvoidanceRule() { super(); ZoneAvoidancePredicate zonePredicate = new ZoneAvoidancePredicate(this); AvailabilityPredicate availabilityPredicate = new AvailabilityPredicate(this); compositePredicate = createCompositePredicate(zonePredicate, availabilityPredicate); } private CompositePredicate createCompositePredicate(ZoneAvoidancePredicate p1, AvailabilityPredicate p2) { return CompositePredicate.withPredicates(p1, p2) .addFallbackPredicate(p2) .addFallbackPredicate(AbstractServerPredicate.alwaysTrue()) .build(); }
首先可以看下CompositePredicate的构造函数相关，可以看到，上一步在创建CompositePredicate对象时：
首先调用了withPredicates方法，该方法调用了Builder(primaryPredicates)，最后调用了Builder(AbstractServerPredicate ...primaryPredicates)方法，在该方法中，将第一个过滤对象（ZoneAvoidancePredicate）赋值给delegate属性；
其次又调用了addFallbackPredicate方法，在该方法中，将第二个过滤对象（AvailabilityPredicate）赋值给了fallbacks属性
private AbstractServerPredicate delegate; private List<AbstractServerPredicate> fallbacks = Lists.newArrayList(); private int minimalFilteredServers = 1; private float minimalFilteredPercentage = 0; public static class Builder { private CompositePredicate toBuild; Builder(AbstractServerPredicate primaryPredicate) { toBuild = new CompositePredicate(); toBuild.delegate = primaryPredicate; } Builder(AbstractServerPredicate ...primaryPredicates) { toBuild = new CompositePredicate(); Predicate<PredicateKey> chain = Predicates.<PredicateKey>and(primaryPredicates); toBuild.delegate = AbstractServerPredicate.ofKeyPredicate(chain); } public Builder addFallbackPredicate(AbstractServerPredicate fallback) { toBuild.fallbacks.add(fallback); return this; } public Builder setFallbackThresholdAsMinimalFilteredNumberOfServers(int number) { toBuild.minimalFilteredServers = number; return this; } public Builder setFallbackThresholdAsMinimalFilteredPercentage(float percent) { toBuild.minimalFilteredPercentage = percent; return this; } public CompositePredicate build() { return toBuild; } } public static Builder withPredicates(AbstractServerPredicate ...primaryPredicates) { return new Builder(primaryPredicates); } public static Builder withPredicate(AbstractServerPredicate primaryPredicate) { return new Builder(primaryPredicate); }
然后可以看到CompositePredicate重写了父类中的getEligibleServers方法，因此，在获取满足条件Server集合时，就会调用CompositePredicate中的getEligibleServers方法，在该方法中，首先调用super.getEligibleServers(servers, loadBalancerKey)，那么就会调用到CompositePredicate实现的apply方法，通过源码可以看到，这里直接调用了delegate.apply(input)，也就是直接使用了主过滤类ZoneAvoidancePredicate的apply方法，获取到可用的服务列表后，在依次调用次过滤类（次过滤类可以是多个，CompositePredicate里只有一个AvailabilityPredicate）的getEligibleServers方法进行过滤。
CompositePredicate的总体处理逻辑如下：
（1）使用主过滤类对所有实例过滤并返回过滤后的清单
（2）依次使用次过滤类对已筛选出的清单进行再次过滤
（3）每次过滤之后，判断如果满足下面两个条件的话，就不再过滤：
过滤后的实例总数 >= 最小过滤实例数（默认值为1）
过滤后的实例比例 > 最小过滤百分比（默认值为0）
主过滤类ZoneAvoidancePredicate的apply方法在讲述SpringCloud--Ribbon--源码解析--IloadBalancer&ServerListUpdater&ServerListFilter实现的ZoneAwareLoadBalancer过滤器的时候，已经解析过源码，这里就不再赘述。
@Override public boolean apply(@Nullable PredicateKey input) { return delegate.apply(input); } @Override public List<Server> getEligibleServers(List<Server> servers, Object loadBalancerKey) { List<Server> result = super.getEligibleServers(servers, loadBalancerKey); Iterator<AbstractServerPredicate> i = fallbacks.iterator(); while (!(result.size() >= minimalFilteredServers && result.size() > (int) (servers.size() * minimalFilteredPercentage)) && i.hasNext()) { AbstractServerPredicate predicate = i.next(); result = predicate.getEligibleServers(servers, loadBalancerKey); } return result; }