1.负载均衡算法 — 平滑加权轮询
2.技术人生阅读源码——Quartz源码分析之任务的汽车汽车调度和执行
3.一文读懂，硬核 Apache DolphinScheduler3.0 源码解析
4.一篇讲解CPU性能指标提取及源码分析

负载均衡算法 — 平滑加权轮询

       在之前的调度调度文章中，我们讨论了加权轮询算法的系统系统一个缺陷，即在特定权重下，源码源码调度结果会生成不均匀的汽车汽车实例序列，这可能导致某些实例瞬时负载过高，调度调度librtmp windows源码增加系统崩溃的系统系统风险。为了解决这一问题，源码源码我们提出了平滑加权轮询调度算法。汽车汽车

       为了展示平滑加权轮询调度的调度调度平滑性，我们将使用三个特殊的系统系统权重实例来演示调度过程。

       通过加权轮询算法，源码源码我们得到如下不均匀的汽车汽车调度序列。

       接下来，调度调度我们将使用平滑加权轮询算法对上述实例进行调度，系统系统观察生成的实例序列。

       假设有N台实例S={ S1, S2, …, Sn}，配置权重W={ W1, W2, …, Wn}，有效权重CW={ CW1, CW2, …, CWn}。每个实例i除了存在一个配置权重Wi外，还存在一个当前有效权重CWi，且CWi初始化为Wi；指示变量currentPos表示当前选择的实例ID，初始化为-1；所有实例的配置权重和为weightSum；

       调度算法描述如下：1、初始每个实例i的当前有效权重CWi为配置权重Wi，并求得配置权重和weightSum；2、选出当前有效权重最大的实例，将当前有效权重CWi减去所有实例的权重和weightSum，且变量currentPos指向此位置；3、将每个实例i的当前有效权重CWi都加上配置权重Wi；4、此时变量currentPos指向的ios 仿app源码实例就是需调度的实例；5、每次调度重复步骤2、3、4；

       上述三个服务的配置权重和weightSum为7，其调度过程如下：

       从上述调度序列可以看出，调度结果是均匀分散的，第8次调度时当前有效权重值又回到{ 0, 0, 0}，实例状态同初始状态一致，因此后续可以一直重复调度操作。

       此轮询调度算法最初由Nginx开发者提出，可在phusion/nginx部分找到。

       下面使用PHP来实现，源码见fan-haobai/load-balance部分。

       其中，getSumWeight()用于获取所有实例的配置权重和；getCurrentWeight()和setCurrentWeight()分别用于获取和设置指定实例的当前有效权重；getMaxCurrentWeightPos()用于获取最大当前有效权重的实例位置，实现如下：

       recoverCurrentWeight()用于调整每个实例的当前有效权重，即加上配置权重，实现如下：

       在配置services服务列表时，同样需要指定其权重。

       遗憾的是，关于此调度算法的严谨数学证明较少，但网友tenfy给出的“安大神”证明过程值得参考和学习。

       证明权重合理性：设有n个节点，记第i个节点的权重是xi，设总权重为S=x1+x2+…+xn。选择分两步：1、为每个节点加上它的权重值；2、选择最大的节点减去总的权重值；

       n个节点的初始化值为[0, 0, …, 0]，数组长度为n，值都为0。授权文件生成源码第一轮选择的第1步执行后，数组的值为[x1,x2,…,xn]。

       假设第1步后，最大的节点为j，则第j个节点减去S。所以第2步的数组为[x1,x2,…,xj−S,…,xn]。

       执行完第2步后，数组的和为：x1+x2+…+xj−S+…+xn>S=x1+x2+…+xn−S=S−S=0

       由此可见，每轮选择第1步操作都是数组的总和加上S，第2步总和再减去S，所以每轮选择完后的数组总和都为0。

       假设总共执行S轮选择，记第i个节点选择mi次。第i个节点的当前权重为wi。假设节点j在第t轮（t<S）之前，已经被选择了xj次，记此时第j个节点的当前权重为wj=t*xj−xj*S=(t−S)*xj<0，因为t恒小于S，所以wj<0。

       前面假设总共执行S轮选择，则剩下S−t轮j都不会被选中，上面的公式wj=(t−S)*xj+(S−t)*xj=0。所以在剩下的选择中，wj永远小于等于0，由于上面已经证明任何一轮选择后，数组总和都为0，则必定存在一个节点k使得wk>0，永远不会再选中节点j。

       由此可以得出，邮件群发系统源码第i个节点最多被选中xi次，即mi<=xi。因为S=m1+m2+…+mn且S=x1+x2+…+xn。所以，可以得出mi==xi。

       证明平滑性：只要证明不要一直都是连续选择那一个节点即可。

       跟上面一样，假设总权重为S，假如某个节点i连续选择了t（t

       假设t=xi−1，此时第i个节点的当前权重为wi=t*xi−t*S=(xi−1)*xi−(xi−1)*S。证明下一轮的第1步执行完的值wi+xi不是最大的即可。

       wi+xi>(xi−1)*xi−(xi−1)*S+xi>(xi−1)*xi−(xi−1)*S+xi>x2i−xi*S+S>(xi−1)*(xi−S)+xi

       因为xi恒小于S，所以xi−S<=−1。所以上面：(xi−1)*(xi−S)+xi<=(xi−1)*−1+xi=−xi+1+xi=1

       所以第t轮后，再执行完第1步的值wi+xi<=1。如果这t轮刚好是最开始的t轮，则必定存在另一个结点j的值为xj*t，所以有wi+xi<=1<1*t<=1

       尽管平滑加权轮询算法改善了加权轮询算法调度的缺陷，即调度序列分散的不均匀，避免了实例负载突然加重的可能，但是仍然不能动态感知每个实例的负载。

       若由于实例权重配置不合理，或者一些其他原因加重系统负载的情况，平滑加权轮询都无法实现每个实例的负载均衡，这时就需要有状态的调度算法来完成。

技术人生阅读源码——Quartz源码分析之任务的调度和执行

       Quartz源码分析：任务调度与执行剖析

       Quartz的调度器实例化时启动了调度线程QuartzSchedulerThread，它负责触发到达指定时间的任务。该线程通过`run`方法实现调度流程，包含三个主要阶段：获取到达触发时间的答题卡 源码triggers、触发triggers、执行triggers对应的jobs。

       获取到达触发时间的triggers阶段，通过`JobStore`接口的`acquireNextTriggers`方法获取，由`RAMJobStore`实现具体逻辑。触发triggers阶段，调用`triggersFired`方法通知`JobStore`触发triggers，处理包括更新trigger状态与保存触发过程相关数据等操作。执行triggers对应jobs阶段，真正执行job任务，先构造job执行环境，然后在子线程中执行job。

       job执行环境通过`JobRunShell`提供，确保安全执行job，捕获异常，并在任务完成后根据`completion code`更新trigger。job执行环境包含job对象、trigger对象、触发时间、上一次触发时间与下一次触发时间等数据。Quartz通过线程池提供多线程服务，使用`SimpleThreadPool`实例化`WorkerThread`来执行job任务，最终调用`Job`的`execute`方法实现业务逻辑。

       综上所述，Quartz通过精心设计的线程调度与执行流程，确保了任务的高效与稳定执行，展示了其强大的任务管理能力。

一文读懂，硬核 Apache DolphinScheduler3.0 源码解析

       全网最全大数据面试提升手册！

       一、DolphinScheduler设计与策略

       了解DolphinScheduler，首先需要对调度系统有基础的了解，本文将重点介绍流程定义、流程实例、任务定义与任务实例。DolphinScheduler在设计上采用去中心化架构，集群中没有Master与Slave之分，提高系统的稳定性和可用性。

       1.1 分布式设计

       分布式系统设计分为中心化与去中心化两种模式，每种模式都有其优势与不足。中心化设计的集群中Master与Slave角色明确，Master负责任务分发与监控Slave健康状态，Slave执行任务。去中心化设计中，所有节点地位平等，无“管理者”角色，减少单点故障。

       1.1.1 中心化设计

       中心化设计包括Master与Slave角色，Master监控健康状态，均衡任务负载。但Master的单点故障可能导致集群崩溃，且任务调度可能集中于Master，产生过载。

       1.1.2 去中心化设计

       去中心化设计中，所有节点地位平等，通过Zookeeper等分布式协调服务实现容错与任务调度。这种设计降低了单点故障风险，但节点间通信增加了实现难度。

       1.2 架构设计

       DolphinScheduler采用去中心化架构，由UI、API、MasterServer、Zookeeper、WorkServer、Alert等组成。MasterServer与WorkServer均采用分布式设计，通过Zookeeper进行集群管理和容错。

       1.3 容错问题

       容错包括服务宕机容错与任务重试。Master容错依赖ZooKeeper，Worker容错由MasterScheduler监控“需要容错”状态的任务实例。任务失败重试需区分任务失败重试、流程失败恢复与重跑。

       1.4 远程日志访问

       Web(UI)与Worker节点可能不在同一台机器上，远程访问日志需要通过RPC实现，确保系统轻量化。

       二、源码分析

       2.1 工程模块介绍与配置文件

       2.1.1 工程模块介绍

       2.1.2 配置文件

       配置文件包括dolphinscheduler-common、API、MasterServer与WorkerServer等。

       2.2 API主要任务操作接口

       API接口支持流程上线、定义、查询、修改、发布、下线、启动、停止、暂停、恢复与执行功能。

       2.3 Quaterz架构与运行流程

       Quartz架构用于调度任务，Scheduler启动后执行Job与Trigger。基本流程涉及任务初始化、调度与执行。

       2.4 Master启动与执行流程

       Master节点启动与执行流程涉及Quartz框架、槽（slot）与任务分发。容错代码由Master节点监控并处理。

       2.5 Worker启动与执行流程

       Worker节点执行流程包括注册、接收任务、执行与状态反馈。负载均衡策略由配置文件控制。

       2.6 RPC交互

       Master与Worker节点通过Netty实现RPC通信，Master负责任务分发与Worker状态监控，Worker接收任务与反馈执行状态。

       2.7 负载均衡算法

       DolphinScheduler提供多种负载均衡算法，包括加权随机、平滑轮询与线性负载，通过配置文件选择算法。

       2.8 日志服务

       日志服务通过RPC与Master节点通信，实现日志的远程访问与查询。

       2.9 报警

       报警功能基于规则筛选数据，并调用相应报警服务接口，如邮件、微信与短信通知。

       本文提供了DolphinScheduler的核心设计与源码分析，涵盖了系统架构、容错机制、任务调度与日志管理等方面，希望对您的学习与应用有所帮助。

一篇讲解CPU性能指标提取及源码分析

       这篇报告主要根据CPU性能指标——运行队列长度、调度延迟和平均负载，对系统的性能影响进行简单分析。

       CPU调度程序运行队列中存放的是那些已经准备好运行、正等待可用CPU的轻量级进程。如果准备运行的轻量级进程数超过系统所能处理的上限，运行队列就会很长，运行队列长表明系统负载可能已经饱和。

       代码源于参考资料1中map.c用于获取运行队列长度的部分代码。

       在系统压力测试前后，使用压力测试工具stress-ng，可以看到运行队列长度的明显变化，从3左右变化到了左右。

       压力测试工具stress-ng可以用来进行压力测试，观察系统在压力下的表现，例如运行队列长度、调度延迟、平均负载等性能指标。

       在系统运行队列长度超过虚拟处理器个数的1倍时，需要关注系统性能。当运行队列长度达到虚拟处理器个数的3~4倍或更高时，系统的响应就会非常迟缓。

       解决CPU调用程序运行队列过长的方法主要有两个方面：优化调度算法和增加系统资源。

       所谓调度延迟，是指一个任务具备运行的条件（进入 CPU 的 runqueue），到真正执行（获得 CPU 的执行权）的这段时间。通常使用runqlat工具进行测量。

       在正常情况下使用runqlat工具，可以查看调度延迟分布情况。压力测试后，调度延迟从最大延迟微秒变化到了微秒，可以明显的看到调度延迟的变化。

       平均负载是对CPU负载的评估，其值越高，说明其任务队列越长，处于等待执行的任务越多。在系统压力测试前后，通过查看top命令可以看到1分钟、5分钟、分钟的load average分别从0.、1.、1.变化到了4.、3.、1.。

       总结：当系统运行队列长度、调度延迟和平均负载达到一定值时，需要关注系统性能并进行优化。运行队列长度、调度延迟和平均负载是衡量系统性能的重要指标，通过监控和分析这些指标，可以及时发现和解决问题，提高系统的稳定性和响应速度。