一. 方法

1. HTTP重定向负载均衡

将http请求通过302的临时重定向给实际服务器

优点：简单
缺点：需要请求量词服务器，性能差；重定向服务器称为瓶颈；可能被判断为seo作弊，降低搜索排名

2. DNS域名解析负载均衡

在DNS服务器中进行负载均衡算法，分配相应的应用服务器

优点：将负载均衡工作转交给DNS,DNS本身支持就近分配
缺点： DNS多级解析，下线某台服务器不能及时更新；控制权在域名服务商，无法做跟多的改善和管理
实际：使用DNS作为一级负载均衡，得到内部的负载均衡服务器，再通过内部负载均衡服务器进行web服务器的分配。

3. 反向代理负载均衡

优点：属于七层负载均衡，和反向代理服务器功能集成在一起部署简单
缺点：反向代理服务器是所有请求和相应的中转站，可能成为瓶颈

4. IP负载均衡

修改数据包而不是转发，在负载均衡服务器将目的地址改成web服务器，响应数据包再回到负载均衡服务器，在负载均衡服务器将数据包源地址修改为自身
优点：在内核进程完成数据分发性能更好
缺点: 集群的最大响应数据吞吐量不得不受制于负载均衡服务器网卡宽带

5. 数据链路层负载均衡

三角传输模式，不修改IP地址，只修改mac地址，通过配置真是物理服务器所有机器虚拟IP和负载均衡服务器IP地址一样，使得不修改数据包源地址和目的地址就可以进行数据分发。
优点：不需要负载均衡服务器进行地址转换，可直接将响应数据包直接返回给用户浏览器，这种方式又叫直接路由方式DR

二. 常见负载均衡算法

轮询

加权轮询

public class IpMap {
    /**
     * key: Ip
     * Value: 权重
     */
    public static LinkedHashMap<String, Integer> serverWeightMap = new LinkedHashMap<>();
    static {
        serverWeightMap.put("192.168.1.100", 1);
        serverWeightMap.put("192.168.1.101", 1);
        serverWeightMap.put("192.168.1.102", 4);
        serverWeightMap.put("192.168.1.103", 1);
        serverWeightMap.put("192.168.1.104", 1);
        serverWeightMap.put("192.168.1.105", 3);
        serverWeightMap.put("192.168.1.106", 1);
        serverWeightMap.put("192.168.1.107", 2);
        serverWeightMap.put("192.168.1.108", 1);
        serverWeightMap.put("192.168.1.109", 1);
    }
}


    public static String getServerByAddWeightRoundRobin() {
        Map<String, Integer> serverMap = new LinkedHashMap<>();
        //IpMap为web服务器集合
        serverMap.putAll(IpMap.serverWeightMap);
        Set<String> keySet = serverMap.keySet();
        Iterator<String> iterator = keySet.iterator();

        List<String> serverList = new ArrayList<String>();
        while (iterator.hasNext()) {
            String server = iterator.next();
            int weight = serverMap.get(server);
            for (int i = 0; i < weight; i++)
                serverList.add(server);
        }
        String server = null;
        synchronized (pos) {
            if (pos == keySet.size()) {
                pos = 0;
            }
            server = serverList.get(pos);
            pos++;
        }
        return server;
    }

随机
最少连接

记录每个应用服务器正在处理的连接数，将新到的请求分发到最少连接服务器上。

源地址散列（一致性hash）

三. 一致性hash

一致性哈希算法是分布式系统中常用的算法。比如，一个分布式的存储系统，要将数据存储到具体的节点上，
如果采用普通的hash方法，将数据映射到具体的节点上，如key%N，key是数据的key，N是机器节点数，
如果有一个机器加入或退出这个集群，则所有的数据映射都无效了。

一致性哈希算法解决了普通余数Hash算法伸缩性差的问题，可以保证在上线、下线服务器的情况下尽量有多的请求命中原来路由到的服务器。

1.原理

(1). 环形Hash空间

按照常用的hash算法来将对应的key哈希到一个具有2^32次方个桶的空间中，即0~(2^32)-1的数字空间中。

现在我们可以将这些数字头尾相连，想象成一个闭合的环形。如下图

(2). 把数据通过一定的hash算法处理后映射到环上

现在我们将object1、object2、object3、object4四个对象通过特定的Hash函数计算出对应的key值，然后散列到Hash环上。如下图：

Hash(object1) = key1；
Hash(object2) = key2；
Hash(object3) = key3；
Hash(object4) = key4；

(3). 将机器通过hash算法映射到环上

在采用一致性哈希算法的分布式集群中将新的机器加入，其原理是通过使用与对象存储一样的Hash算法将机器也映射到环中

（一般情况下对机器的hash计算是采用机器的IP或者机器唯一的别名作为输入值），然后以顺时针的方向计算，将所有对象存储到离自己最近的机器中。

假设现在有NODE1，NODE2，NODE3三台机器，通过Hash算法得到对应的KEY值，映射到环中，其示意图如下：

Hash(NODE1) = KEY1;
Hash(NODE2) = KEY2;
Hash(NODE3) = KEY3;

通过上图可以看出对象与机器处于同一哈希空间中，这样按顺时针转动object1存储到了NODE1中，object3存储到了NODE2中，object2、object4存储到了NODE3中。

在这样的部署环境中，hash环是不会变更的，因此，通过算出对象的hash值就能快速的定位到对应的机器中，这样就能找到对象真正的存储位置了。

2.机器的删除与添加

普通hash求余算法最为不妥的地方就是在有机器的添加或者删除之后会造成大量的对象存储位置失效。下面来分析一下一致性哈希算法是如何处理的。

(1). 节点（机器）的删除

以上面的分布为例，如果NODE2出现故障被删除了，那么按照顺时针迁移的方法，object3将会被迁移到NODE3中，这样仅仅是object3的映射位置发生了变化，其它的对象没有任何的改动。如下图：

(2). 节点（机器）的添加

如果往集群中添加一个新的节点NODE4，通过对应的哈希算法得到KEY4，并映射到环中，如下图：

通过按顺时针迁移的规则，那么object2被迁移到了NODE4中，其它对象还保持着原有的存储位置。
通过对节点的添加和删除的分析，一致性哈希算法在保持了单调性的同时，还是数据的迁移达到了最小，这样的算法对分布式集群来说是非常合适的，避免了大量数据迁移，减小了服务器的的压力。

3.平衡性–虚拟节点

根据上面的图解分析，一致性哈希算法满足了单调性和负载均衡的特性以及一般hash算法的分散性，但这还并不能当做其被广泛应用的原由，

因为还缺少了平衡性。下面将分析一致性哈希算法是如何满足平衡性的。

hash算法是不保证平衡的，如上面只部署了NODE1和NODE3的情况（NODE2被删除的图），object1存储到了NODE1中，而object2、object3、object4都存储到了NODE3中，这样就造成了非常不平衡的状态。在一致性哈希算法中，为了尽可能的满足平衡性，其引入了虚拟节点。

——“虚拟节点”（ virtual node ）是实际节点（机器）在 hash 空间的复制品（ replica ），一个实际节点（机器）对应了若干个“虚拟节点”，这个对应个数也成为“复制个数”，“虚拟节点”在 hash 空间中以hash值排列。

以上面只部署了NODE1和NODE3的情况（NODE2被删除的图）为例，之前的对象在机器上的分布很不均衡，现在我们以2个副本（复制个数）为例，这样整个hash环中就存在了4个虚拟节点，最后对象映射的关系图如下：

根据上图可知对象的映射关系：object1->NODE1-1，object2->NODE1-2，object3->NODE3-2，object4->NODE3-1。通过虚拟节点的引入，对象的分布就比较均衡了。那么在实际操作中，正真的对象查询是如何工作的呢？对象从hash到虚拟节点到实际节点的转换如下图：

“虚拟节点”的hash计算可以采用对应节点的IP地址加数字后缀的方式。例如假设NODE1的IP地址为192.168.1.100。引入“虚拟节点”前，计算 cache A 的 hash 值：
Hash(“192.168.1.100”);
引入“虚拟节点”后，计算“虚拟节”点NODE1-1和NODE1-2的hash值：
Hash(“192.168.1.100#1”); // NODE1-1
Hash(“192.168.1.100#2”); // NODE1-2

4.实现

public class LoadBalancer<T> {
    private static Integer pos = 0;
    private static MessageDigest md5 = null;
    private static int numberOfReplicas;
    private SortedMap<String, T> circle = new TreeMap<>();
    /**
     * @param numberOfReplicas, 虚拟结点个数
     * @param nodes， 实际结点集合
     */
    public LoadBalancer(int numberOfReplicas, Collection<T> nodes) {
        this.numberOfReplicas = numberOfReplicas;
        for (T node: nodes) {
            add(node);
        }
    }
    /**
     * @param node
     * 
     * 为每个加入的实际结点添加虚拟结点
     */
    public void add(T node) {
        for (int i = 0; i < numberOfReplicas; i++) {
            //key：虚拟结点的string，用类似node1:1, node1:2, node1:3类似用这样的分隔方式设置虚拟节点
            //value：实际结点
            circle.put(hash(node.toString() + i), node);
        }
    }
    /**
     * @param node
     * 删除相应实际结点对应的虚拟结点
     */
    public void remove(T node) {
        for (int i = 0; i < numberOfReplicas; i++) {
            circle.remove(hash(node.toString() + i));
        }
    }
    
    /**
     * @param key
     * @return 返回该key结点将要存储的实际结点
     */
    public T getRealNode(Object key) {
        if (circle.isEmpty()) {
            return null;
        }
        String hash = hash(key.toString());
        if (!circle.containsKey(hash)) {
            SortedMap<String, T> tailMap = circle.tailMap(hash);
            hash = tailMap.isEmpty() ? circle.firstKey() : tailMap.firstKey();
        }
        return circle.get(hash);
    }
    public long getSize() {
        return circle.size();
    }
    public static String hash(String key) {
        if (md5 == null) {
            try {
                md5 = MessageDigest.getInstance("MD5");
            } catch (NoSuchAlgorithmException e) {
                throw new IllegalStateException("no md5 algrithm found");
            }
        }
        md5.reset();
        md5.update(key.getBytes());
        byte[] bKey = md5.digest();
        
        // 将md5摘要转成long格式
        long result = ((long) (bKey[3] & 0xFF) << 24)
                | ((long) (bKey[2] & 0xFF) << 16 
                | ((long) (bKey[1] & 0xFF) << 8) 
                | (long) (bKey[0] & 0xFF));
        return String.valueOf(result & 0xffffffffL);
    }



    public static String getServerByAddWeightRoundRobin() {
        Map<String, Integer> serverMap = new LinkedHashMap<>();
        serverMap.putAll(IpMap.serverWeightMap);
        Set<String> keySet = serverMap.keySet();
        Iterator<String> iterator = keySet.iterator();

        List<String> serverList = new ArrayList<String>();
        while (iterator.hasNext()) {
            String server = iterator.next();
            int weight = serverMap.get(server);
            for (int i = 0; i < weight; i++)
                serverList.add(server);
        }
        String server = null;
        synchronized (pos) {
            if (pos == keySet.size()) {
                pos = 0;
            }
            server = serverList.get(pos);
            pos++;
        }
        return server;
    }

    
    public static void main(String[] args) throws NoSuchAlgorithmException {
        Set<String> nodes = new HashSet<>();
        nodes.add("A");
        nodes.add("B");
        nodes.add("C");
        nodes.add("D");
        nodes.add("E");
        LoadBalancer<String> lb = new LoadBalancer<>(100, nodes);
        Map<String, Integer> count = new HashMap<>();
        for (int i = 0; i < 10000000; i++) {
            String real = lb.getRealNode(i + "");
            count.put(real, count.getOrDefault(real, 0) + 1);
        }
        for (String i: count.keySet()) {
            System.out.println(count.get(i));
        }
    }

}