一、什么是Ribbon
目前主流的负载方案分为以下两种：
- 集中式负载均衡，在消费者和服务提供方中间使用独立的代理方式进行负载，有硬件的（比如F5），也有软件的（比如Nginx）。
- 客户端根据自己的请求情况做负载均衡，Ribbon就属于客户端自己做负载均衡。
Spring Cloud Ribbon是基于Netflix Ribbon实现的一套客户端的负载均衡工具，Ribbon客户端组件提供一系列的完善的配置，如超时，重试等。通过Load Balancer获取到服务提供的所有机器实例，Ribbon会自动基于某种规则(轮询，随机)去调用这些服务。Ribbon也可以实现我们自己的负载均衡算法。
1.1 Ribbon客户端负载均衡 对比 Nginx 服务端负载均衡
Nginx 是服务端负载均衡，客户端所有请求都会交给nginx， 然后 nginx 实现转发请求。即负载均衡是由服务端实现的。
Ribbon 是本地负载均衡（或服务消费端），在调用微服务接口的时候，会在注册中心上获取注册信息服务列表后缓存到JVM 本地，从而在本地实现RPC远程 服务调用技术。
ribbon负载均衡
Nginx负载均衡
1.2 常见的负载均衡算法
- 随机，通过随机选择服务进行执行，一般这种方式使用较少；
- 轮训，负载均衡默认实现方式，请求来之后排队处理；
- 加权轮训，通过对服务器性能的分型，给高配置，低负载的服务器分配更高的权重，均衡各个服务器的压力；
- 地址Hash，通过客户端请求的地址的HASH值取模映射进行服务器调度；
- 最小链接数，即使请求均衡了，压力不一定会均衡，最小连接数法就是根据服务器的情况，比如请求积压数等参数，将请求分配到当前压力最小的服务器上；
二、整合Ribbon
nacos-discovery依赖了ribbon，可以不用再引入ribbon依赖。
在service-user服务中添加配置，添加 @LoadBalanced 注解。
@Configuration
public class RestConfig {
@Bean
@LoadBalanced //开启ribbon
public RestTemplate restTemplate() {
return new RestTemplate();
}
}
三、Ribbon内核原理
3.1 Ribbon原理
3.1.1 @LoadBalanced注解原理
参考源码：LoadBalancerAutoConfiguration
@LoadBalanced利用@Qualifier作为restTemplates注入的筛选条件，筛选出具有负载均衡标识的RestTemplate。
被@LoadBalanced注解的restTemplate会被定制，添加LoadBalancerInterceptor拦截器。
3.1.2 Ribbon相关接口
- IClientConfig：Ribbon的客户端配置，默认采用DefaultClientConfigImpl实现。
- IRule：Ribbon的负载均衡策略，默认采用ZoneAvoidanceRule实现，该策略能够在多区域环境下选出最佳区域的实例进行访问。
- IPing：Ribbon的实例检查策略，默认采用DummyPing实现，该检查策略是一个特殊的实现，实际上它并不会检查实例是否可用，而是始终返回true，默认认为所有服务实例都是可用的。
- ServerList：服务实例清单的维护机制，默认采用ConfigurationBasedServerList实现。
- ServerListFilter：服务实例清单过滤机制，默认采ZonePreferenceServerListFilter，该策略能够优先过滤出与请求方处于同区域的服务实例。
- ILoadBalancer：负载均衡器，默认采用ZoneAwareLoadBalancer实现，它具备了区域感知的能力。
3.2 Ribbon负载均衡策略
1.RandomRule：随机选择一个Server。
2.RetryRule：对选定的负载均衡策略机上重试机制，在一个配置时间段内当选择Server不成功，则一直尝试使用subRule的方式选择一个可用的server。
3.RoundRobinRule：轮询选择，轮询index，选择index对应位置的Server。
4.AvailabilityFilteringRule：过滤掉一直连接失败的被标记为circuittripped的后端Server，并过滤掉那些高并发的后端Server或者使用一个AvailabilityPredicate来包含过滤server的逻辑，其实就是检查status里记录的各个Server的运行状态。
5.BestAvailableRule：选择一个最小的并发请求的Server，逐个考察Server，如果Server被tripped了，则跳过。
6.WeightedResponseTimeRule：根据响应时间加权，响应时间越长，权重越小，被选中的可能性越低。
7.ZoneAvoidanceRule：默认的负载均衡策略，即复合判断Server所在区域的性能和Server的可用性选择Server，在没有区域的环境下，类似于轮询(RandomRule)
8.NacosRule：同集群优先调用
3.2.1 修改默认负载均衡策略
全局配置：调用其他微服务，一律使用指定的负载均衡算法
@Configuration
public class RibbonConfig {
/**
* 全局配置
* 指定负载均衡策略
*/
@Bean
public IRule ribbonRule() {
// 指定使用Nacos提供的负载均衡策略（优先调用同一集群的实例，基于随机权重）
return new NacosRule();
}
}
局部配置：调用指定微服务提供的服务时，使用对应的负载均衡算法
修改application.yml
# 被调用的微服务名
server-order:
ribbon:
# 指定使用Nacos提供的负载均衡策略（优先调用同一集群的实例，基于随机&权重）
NFLoadBalancerRuleClassName: com.alibaba.cloud.nacos.ribbon.NacosRule
3.2.2自定义负载均衡策略
通过实现 IRule 接口可以自定义负载策略，主要的选择服务逻辑在choose方法中。
（1）实现基于Nacos权重的负载均衡策略
@Slf4j
public class NacosRandomWithWeightRule extends AbstractLoadBalancerRule {
@Autowired
private NacosDiscoveryProperties nacosDiscoveryProperties;
@Override
public Server choose(Object key) {
DynamicServerListLoadBalancer loadBalancer = (DynamicServerListLoadBalancer) getLoadBalancer();
String serviceName = loadBalancer.getName();
NamingService namingService = nacosDiscoveryProperties.namingServiceInstance();
try {
//nacos基于权重的算法
Instance instance = namingService.selectOneHealthyInstance(serviceName);
log.info(instance.getIp()+":"+instance.getPort());
return new NacosServer(instance);
} catch (NacosException e) {
log.error("获取服务实例异常：{}", e.getMessage());
e.printStackTrace();
}
return null;
}
@Override
public void initWithNiwsConfig(IClientConfig clientConfig) {
}
}
（2）配置自定义的策略
局部配置：修改application.yml
# 被调用的微服务名“server-order”，自定义的负载均衡策略 server-order.ribbon.NFLoadBalancerRuleClassName=com.shiwn.serviceuser.rule.NacosRandomWithWeightRule
全局配置
@Configuration
public class RibbonConfig {
/**
* 全局配置
* 指定负载均衡策略
*/
@Bean
public IRule ribbonRule() {
// 自定义负载均衡
return new NacosRandomWithWeightRule();
}
}
3.3饥饿加载
在进行服务调用的时候，如果网络情况不好，第一次调用会超时。Ribbon默认懒加载，初始化负载均衡器，意味着只有在发起调用的时候才会创建客户端。
开启饥饿加载，解决第一次调用慢的问题
# 开启ribbon饥饿加载 ribbon.eager-load.enabled=true # 指定需要饥饿加载的客户端名称、服务名，多个使用逗号分隔 ribbon.eager-load.clients=server-order
标签：负载,调用,Spring,ribbon,Server,Ribbon,均衡,Cloud From： https://www.cnblogs.com/shiblog/p/16626269.html