RPC 框架中的负载均衡算法有哪些？它们各有什么优缺点和适用场景？ - 面试题

负载均衡是 RPC 框架中的核心组件，负责将请求分发到多个服务实例，提高系统性能和可用性：

常见负载均衡算法：

1. 随机算法（Random）

原理：随机选择一个服务实例
加权随机：根据实例权重设置选择概率
优点：实现简单，请求分布均匀
缺点：不考虑实例当前负载
适用场景：实例性能相近的场景

实现示例：

java
public class RandomLoadBalancer {
    private List<ServiceInstance> instances;
    private Random random = new Random();
    
    public ServiceInstance select() {
        int index = random.nextInt(instances.size());
        return instances.get(index);
    }
}

2. 轮询算法（Round Robin）

原理：按顺序依次选择服务实例
加权轮询：根据权重分配请求比例
优点：请求分布均匀，实现简单
缺点：不考虑实例响应时间差异
适用场景：实例性能相近的场景

实现示例：

java
public class RoundRobinLoadBalancer {
    private List<ServiceInstance> instances;
    private AtomicInteger index = new AtomicInteger(0);
    
    public ServiceInstance select() {
        int idx = index.getAndIncrement() % instances.size();
        return instances.get(idx);
    }
}

3. 最少连接算法（Least Connections）

原理：选择当前连接数最少的实例
优点：考虑实例当前负载，动态分配
缺点：需要维护连接数统计
适用场景：请求处理时间差异较大的场景

实现示例：

java
public class LeastConnectionsLoadBalancer {
    private List<ServiceInstance> instances;
    
    public ServiceInstance select() {
        return instances.stream()
            .min(Comparator.comparingInt(ServiceInstance::getActiveConnections))
            .orElse(null);
    }
}

4. 一致性哈希算法（Consistent Hash）

原理：将请求和服务实例映射到哈希环上
优点：
- 相同请求总是路由到同一实例
- 实例增减时影响范围小
- 支持会话保持
缺点：实现复杂，可能分布不均
适用场景：需要会话保持或缓存一致的场景

实现示例：

java
public class ConsistentHashLoadBalancer {
    private TreeMap<Integer, ServiceInstance> ring = new TreeMap<>();
    
    public void addInstance(ServiceInstance instance) {
        for (int i = 0; i < 100; i++) {
            int hash = hash(instance.getAddress() + "#" + i);
            ring.put(hash, instance);
        }
    }
    
    public ServiceInstance select(String key) {
        int hash = hash(key);
        Map.Entry<Integer, ServiceInstance> entry = ring.ceilingEntry(hash);
        if (entry == null) {
            entry = ring.firstEntry();
        }
        return entry.getValue();
    }
}

5. 最小响应时间算法（Least Response Time）

原理：选择平均响应时间最短的实例
优点：动态适应实例性能变化
缺点：需要维护响应时间统计
适用场景：实例性能差异较大的场景

6. IP 哈希算法（IP Hash）

原理：根据客户端 IP 进行哈希
优点：相同客户端总是访问同一实例
缺点：可能导致负载不均
适用场景：需要会话保持的场景

7. 加权算法（Weighted）

原理：根据实例权重分配请求
加权随机：按权重随机选择
加权轮询：按权重比例轮询
优点：可以根据实例性能分配不同权重
适用场景：实例性能差异较大的场景

Dubbo 负载均衡配置：

xml
<dubbo:reference interface="com.example.UserService" 
                 loadbalance="random"/>
<!-- 可选值：random, roundrobin, leastactive, consistenthash -->

gRPC 负载均衡：

客户端负载均衡：客户端维护服务列表并选择实例
服务端负载均衡：通过代理（如 Envoy）进行负载均衡
支持策略：轮询、随机、最少连接等

Nginx 负载均衡配置：

nginx
upstream backend {
    # 轮询
    server 192.168.1.1:8080;
    server 192.168.1.2:8080;
    
    # 加权轮询
    server 192.168.1.1:8080 weight=3;
    server 192.168.1.2:8080 weight=1;
    
    # IP 哈希
    ip_hash;
    
    # 最少连接
    least_conn;
}

选择建议：

实例性能相近：随机、轮询
需要会话保持：一致性哈希、IP 哈希
实例性能差异大：加权算法、最少连接、最小响应时间
缓存一致性要求高：一致性哈希
简单场景：随机、轮询

注意事项：

结合健康检查剔除故障实例
定期更新服务实例列表
监控负载均衡效果
根据实际情况调整算法参数