转自 論文中文導讀-Maglev。原文为繁体字,为方便阅读,此处改为简体。
前言
这一篇论文吸引我注意的原因是, Consistent Hashing 本来的特性就是作为 Distributed Caching 之用. 但是 Google 将他们的 Load Balancer (代号: Maglev ) 公布他的实作方式,里面并且将 Consistent Hashing 做了一些小改版来符合他们的需求.
由于我之前就有学习过 Consistent Hashing ,所以相当好奇 Google 能够如何地将它更进一步地做提升. 就想要阅读这一篇论文.
本篇导读主要内容如下:
- 介绍 Maglev 的特性与其改善的部分
- 回顾 Consistent Hashing
- 介绍 Maglev Hashing
原始论文
Maglev: A Fast and Reliable Software Network Load Balancer
导读
什么是Maglev?
Maglev 是 Google 的软体 Load Balancer ,不像是一般硬体的 Load Balancer , 他可以运行在一般的 Linux 机器上面. Maglev 在 Google 内部已经运行了超过 六年 ( since 2008 ) .一台 Maglev 可以处理 10Gbps 的小封包连结.
Maglev 主要的功能与特色
Maglev 主要的功能与特色Maglev 作为 Google 内部的高效能软体 Load Balancer ,他有以下两个主要功能:
- 新的 Consistent Hashing Algorithm 称为 Maglev Hashing
- Connection Tracking
回过来讲,那什麽是 Consistent Hashing ?
讲到 Consistent Hashing 就必须要提到原本 distributed caching 的运作是靠 Hash Table 的方式来达成,比如说:
- 来源 ip : 1.2.3.4 透过将来源 ip 做 Hashing 过后指向 server1
- 来源 ip : 1.2.3.5 透过将来源 ip 做 Hashing 过后指向 server2
- 来源 ip : 1.2.4.6 透过将来源 ip 做 Hashing 过后指向 server3
依照原先的设计如果 server1 发生了故障,那麽不论如何 1.2.3.4 就无法连接到任何一个伺服器.
于是 Consistent Hashing 就是在这裡发挥效果. 根据定义 Consistent Hashing 为一个排序的环状的表格,上面根据 Hashing 的数值来存放不同的节点资讯,并且需要满足以下两个条件:
-
Minimal Disruption: 這邊指的就是如果有節點被刪除,應該要達到只有該節點影響到的部分要修改而已. 在 Consistent Hashing 裡面透過選取下一個的方式. 透過將索引排序後,直接選取下一個節點作為 Hashing 後的結果節點.簡單的範例如下:
- 來源 IP 位置
1.2.3.4
,經過 Hashing 後得到位置 1024 (假設) - 到表格 1024 查詢資料,發現 1024 的節點伺服器
server1
已經出現故障. - 尋找 1024 最接近的下一個節點 (假設是 1028 ) 並且對應到
server2
- 分配
server2
- 來源 IP 位置
对于 Maglev 而言,原本的 Consistent Hashing 有哪些缺点(限制)?
虽然 Consisten Hashing 本身已经解决了许多的问题,但是对于 Google 而言,他们有以下两个额外的部份需要考量:
- 需要更均匀地分配每隔节点位置: 由于 Google 的每个节点可能都是数百台的机器,由于来源资料庞大,根据旧的演算法可能需要相当大的 lookup table 才能负荷.
- 需要更减少 Disruption : 对于 Google 的需求,演算法需要容忍小量的 disruption .
关于 Maglev Hashing Algorithm 的介绍
根据以上两个需要额外考量(应该说是要更加强化)的部分, Google 提出了新的 Consistent Hashing 的演算法,称为 Maglev Hashing Algorithm
主要概念: 新增 Preference List 概念
Preference List (偏好清单) 会分配给每一个节点,让每一个节点去填上自己偏好的位址( Permutation ).直到整个表格是填满的状态.
效能:
这裡需要注意,如果 M 相当接近 N 的话,整体效能很容易落入最差状况.
但是如果 M>>N ,比较容易将效能落入平均的状况.
平均状况: O(MlogM)
最差状况: O(M2)
其中:
- M 是表示 lookup table 的大小.
- N 是表示 节点的个数.
流程:
- 首先 Maglev Hashing 会先把所有的 Preference List 产生出来.
- 透过产生好的 Preference List 开始将节点一个个地加入并且产生出Lookup table
程式码分析:
计算 “排列表格” Permutation Table
以下先简单列出 generatePopulation(),主要目的就是建立permutation table也就一个排列组合的表格.
//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 必须是一个prime number (如果不给 prime number ,找出的 permutation 就会有重複值) ,举例 M=7 这个函式就会产生可能是 [3, 2, 5, 6, 0, 4, 1] 或是 [0, 5, 6, 4, 2, 3, 1] . 这样的排列表格是为之后使用的.
产生查表表格(Lookup Table)
论文中的 Populate Maglev Hashing lookup table 的 Golang 程式码.
这边有两个表格:
- entry: 代表表格中有没有走过.架设 lookup table 大小为 7,就得 0 ~ 6 都走过一次. (不然为 -1).而最后裡面的数值就是节点的索引.
- next: 代表排列表格的下一个位置.如果节点有三个,那麽排列表格就有三组.于是 next 大小也有三个,分别记录每一个排列表格走到第几个位置.
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
}
}
}
}
以下用简单的范例资料,希望能够让大疆更容易了解。
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]
透过这个范例,建立出 Lookup table 的方式如下:
- 将刚刚建立出的排列表格拿出来
- i=0 ,从第一个排列表格的第一个挑出数值 c1=4 ,那麽 entry[4] = 0 (代表 lookup table 中的 entry[4] 是指向节点 0.
- i=1 ,从第二个排列表格的第一个挑出数值 c2=3 ,那麽 entry[3] = 1
- i=2 ,从第三个排列表个的第一个挑出数值 c3=0 ,那麽 entry[0] = 2
- 重跑 i 迴圈, i=0 . 从第一个排列表格的第二个( index=1 )挑出数值 c4=3 ,由于 entry[3] 走过了,往后走一个 (next[0] +1) 走到 m.permutation[0][2]=2, 于是 entry[2]=0
-
依此类推,直到所有的 n == M .此时,也会发现 entry[] 不再存在任何 -1
详细走法如下图:
Maglev Hashing 跟 Consistent Hashing 的比較
这部分比较属于我的心得,建议各位看完论文后再看这段.
- Consistent Hashing
- 准备工作:
- 将每个节点数值根据 Hashing key 加入 lookup table
- 製作出 Virtual Node 来达到平衡.
- 如何查询:
- 将数值透过 Hash Key 对应到一个 lookup table 的索引 index
- 如果该 index 没有节点,往下寻找最接近的节点
- 准备工作:
- Maglev Hashing
- 准备工作:
- 需要先建立一个排列表格
- 并请需要先 透过排列表格做出偏好清单.注意这时候所有 lookup table 每一个索引都有一个节点分配.
- 如何查询:
- 数值透过 Hash Key 对应到一个 lookup table 的索引 index
- 由于准备工作,该 index 必定存在数值
- 传回节点资料
- 准备工作:
完整代码
这边有我的完整代码,大家可以参考以下:
https://github.com/kkdai/maglev
参考文献
有疑问加站长微信联系(非本文作者)