聊聊内核的负载均衡（load_balance）
内核负载均衡（load_balancing）是操作系统将系统性能和资源利用率动态分配给不同CPU核心的机制。负载均衡的基本原理：“拉”平衡：当一个CPU核心负载轻，而另一个核心负载重时，系统从过载核心“拉”到负载轻的核心。
这个操作是通过load_balance()函数实现的，该函数有两个回调，分别是当前CPU核心空闲（忙平衡）和空闲（空闲平衡）。
“推”平衡：由内核迁移线程完成，将进程从负载较重的CPU核心推送到负载较轻的CPU核心。
避免过度平衡的负载平衡策略：负载平衡被认为是优化的一种手段而不是目的，因此内核试图避免不必要的负载平衡操作以减少处理时间的使用。
平滑负载波动：通过比较当前负载和历史负载，取较大或较小的值，平滑负载的峰值和圆锥值，避免瞬时负载变化造成的重复平衡。
新内核update_cpu_load函数的改进：更新rq数据结构中的cpu_load数组字段，该字段代表CPU核心负载。
每个数组元素对应不同的负载均衡条件（如繁忙均衡、空闲均衡等），通过均衡算法维护历史负载数据，使负载均衡决策更加全面、准确。
Source_load和target_load函数：分别计算源CPU核和目标CPU核，取最小值或最大值以推迟负载均衡操作，并确保进程迁移只是必要的。
负载均衡的触发条件： 超时：每隔一段时间（BUSY_REBALANCE_TICK）触发load_balance()。
不同场景下的负载均衡：不同场景下使用cpu_load数组的不同元素进行负载均衡，如新建进程、空闲进程等。
调度域的影响：在计算一个调度域内其他CPU核心组的负载时，取最大值，优先在最小的调度域中进行负载均衡，以减少核心组内的进程迁移。
面试题：谈谈你知道的负载均衡算法
负载均衡算法通过合理分配请求来提高系统性能和资源利用率。常见算法包括随机化、投票、加权投票、最少活跃连接、一致性哈希和自适应最优选择算法。
其原理及适用场景如下： 随机算法原理：通过生成随机数的方式，随机选择可用节点之一进行接入并部署（例如1 0个节点生成1 到1 0的随机数）。
特点：当节点数量较多、请求数量较多时，每个节点被访问的概率本质上是相同的。
适用场景：节点性能差异较小、请求量远远超过节点数量的简单场景（如同一数据中心1 0个相同配置的节点）。
轮询算法原理：按照固定的顺序依次访问节点（比如将节点存储在数组中，按照序号循环访问）。
特点：保证所有节点被访问的概率相等。
适用场景：与随机算法类似，适用于节点性能相近、实现简单高效的场景。
加权投票算法原理：根据投票为节点分配权重。
权重高的节点被访问的概率较高（例如，如果节点a、b、c的权重分别为3 、2 、1 ，则生成序列{a,a,b,c,b,a}）。
特点：需要保证链创建均匀，避免访问不平衡（例如链{a,a,a,b,b,c}会导致前3 次都访问a）。
适用场景：当节点性能差异较大时（例如新节点的性能优于旧节点的性能），可以通过权值分配充分发挥高性能节点的优势。
最少活跃连接算法原理：选择当前连接数最少的节点进行访问（连接数越少，节点处理请求的速度越快）。
特点：动态反映节点负载状态，无需预先配置权重。
适用场景：当节点性能差异较大且权重难以提前确定时（例如跨数据中心网络复杂，连接数可能更准确地反映节点的空闲状态）。
一致性哈希算法原理：来自同一源的请求通过哈希函数映射到同一节点。
当节点不可用时，请求将分配给相邻节点。
特点：具有记忆功能，减少缓存未命中问题。
适用场景：服务器缓存需要存储客户端请求结果的情况（例如同一客户端重复访问同一个节点可以直接从缓存获取数据）。
自适应最优选择算法原理：客户端在本地维护快照统计节点性能并定期更新（例如每1 分钟）。
按性能对节点进行排序后，响应最慢的 2 0% 节点的权重将减小（例如设置为 3 ，其余设置为 5 ）。
特点：自动调整权重来优化长请求，这是加权投票的改进版本。
适用场景：在节点列表变化频繁、网络复杂（如跨数据中心、时延波动等）的场景下，通过实时性能统计动态分配请求。
建议选择： 简单场景（节点同构且位于同一数据中心）：优先选择随机或投票算法，以实现简单高效的实现。
节点性能差异很大：使用加权循环或最少活动连接算法根据权重或实时连接数分配请求。
需要缓存一致性：选择一致的哈希算法以减少缓存未命中。
节点动态变化，网络复杂：采用自适应最优选择算法，通过动态加权来优化性能。
总结：负载均衡算法的选择要结合业务场景、节点性能、网络环境。
算法越复杂越好。
例如，当1 0个相同配置的节点位于同一个数据中心时，随机化或投票算法可以满足需要；在节点频繁变化的数据中心复杂场景下，需要自适应最优选择算法来动态调整请求分配。
一文详解负载均衡和反向代理的真实区别
负载均衡和反向代理之间的实际区别 负载均衡和反向代理是网络架构中常用的技术。他们各自承担不同的职责，但在某些方面也有重叠。
下面对两者进行详细分析并解释其差异。
1 、负载均衡 负载均衡是一种将网络请求或数据流量分发到多个服务器或网络设备上，以优化资源使用、最大化吞吐量、减少响应时间、保证服务可用性和稳定性的技术。
对于提供相同服务的多台服务器，负载均衡器有一个虚拟服务地址。
当多个客户端从外部访问虚拟服务IP地址时，负载均衡器根据负载均衡算法（轮询、最少连接、IP哈希等）将这些消息请求分发到后端服务器，以平衡各服务器的负载压力，防止出现某些服务器过载而另一些服务器空闲的情况。
2 .反向代理反向代理是代表一台或多台服务器对外提供服务的代理服务器。
客户端向反向代理发送请求，反向代理将请求转发到内部服务器并将服务器的响应返回给客户端。
反向代理通常用于隐藏内部服务器的真实IP地址，并提供缓存、负载平衡、SSL加密和访问控制等功能。
在反向代理模式下，当负载均衡设备收到客户端请求时，会记录报文中的相关信息（如源IP地址、目的IP地址、协议号、源端口、目的端口、服务类型、接口索引等），然后将报文的目的地址更改为优化后的RS设备的IP地址。
目的端口号不变，源地址变为对应RS设备和负载均衡器下游接口的IP地址。
源端口号随机发送给RS。
RS收到消息后，以源为RS接口IP地址、目的IP设备地址的方式向负载均衡器做出响应。
然后，负载均衡器通过将源更改为 VIP、将目标端口号更改为客户端的源端口号、将目标 IP 更改为客户端的源 IP 来响应消息。
3 、负载均衡和反向代理的区别。
各种核心功能：负载均衡的核心功能是将网络请求或数据流量分布在多个服务器或网络设备之间，以优化资源使用，提高服务性能。
反向代理的核心功能是代表内部服务器向外部提供服务，隐藏内部服务器的真实IP地址，并提供缓存、SSL加密等附加功能。
不同的运行模式：负载均衡器通常运行在网络的传输层（第4 层）或应用层（第7 层），根据配置的负载均衡算法将请求分配给不同的服务器。
反向代理主要在应用程序层运行，处理 HTTP 和 HTTPS 等应用程序层协议，并根据您的配置将请求转发到内部服务器。
各种应用场景：负载均衡通常涉及需要处理大量并发请求的大型网站、分布式系统和云。
用于计算平台等场景。
反向代理常用于Web服务器、CDN、API网关等需要服务外部服务的场景，同时提供额外的安全性和性能优化。
不同的数据包处理：在负载平衡中，可以修改数据包的目的地址和端口号，以将请求分发到正确的服务器。
在反向代理中，消息的目标地址和端口号通常保持不变，但源地址和端口号可能会被修改以隐藏内部服务器的实际IP地址。
4 、负载均衡的反向代理模式 值得注意的是，负载均衡器也可以配置为反向代理模式。
在这种模式下，负载均衡器不仅负责将请求分发到不同的服务器，还负责处理应用层协议（例如HTTP、HTTPS等）并提供反向代理功能。
这种配置结合了负载均衡和反向代理的优点，提供更高的性能和更多的功能。
5 .总结负载均衡和反向代理都是网络架构中常用的技术，但各自扮演着不同的角色。
负载均衡主要用于通过在多个服务器之间分配请求来优化资源使用并提高服务性能。
反向代理主要负责代表内部服务器提供外部服务，隐藏内部服务器的真实IP地址，并提供额外的安全性和性能优化。
在实际应用程序中，您可以根据您的具体要求选择使用负载平衡、反向代理或两者的组合。
（注：该图只是示意图，具体实现可能会根据设备和配置的不同而有所不同）
深入理解操作系统 - 一文讲明 负载均衡
负载均衡是一种合理平衡多个计算资源（如CPU、内存、网络连接、服务器等）之间工作负载的技术，旨在提高资源利用率，最大化吞吐量，减少响应时间，避免单一资源过载，延长硬件寿命，提高系统整体性能。平衡核心端负载：在多核CPU场景下，如果业务分布不均匀，会导致部分核心长时间高负载运行（精度损失），而其他核心则处于空闲状态（浪费资源）。
负载均衡动态调整分配函数以匹配每个核心的权重，从而优化系统效率。
例如，Linux系统使用负载均衡模块来延长CPU的使用寿命，避免任务积累造成的性能下降。
Linux内核中负载均衡机制的实现： 任务调度：负责将进程/线程分配到不同的CPU核上，是负载均衡的基本要素。
负载均衡操作：当检测到CPU负载不均匀时（例如一个核心有负载而其他核心空闲），系统会激活load_-balance功能。
该功能根据当前负载情况和停止策略，从累积核心迁移到轻载核心，以达到动态平衡。
触发条件：负载均衡操作通常用于以下场景：定期检测到核心之间的负载差异超过阈值。
当新任务到达时，调度程序会评估核心的活动分配。
不同调度算法的负载均衡机制 轮询机制调度算法：将任务分配给每个进程，使每个进程的工作负载相等。
特点：简单美观，匹配自然负载能力，但不考虑工艺差异。
适用任务：流程效果相似的同质系统。
循环调度算法是一种加权机制：根据进程性能或负载能力分配权重，并根据权重分配任务。
例如，高性能心脏更重，承担更多任务。
特点：通过权重调整实现精细平衡，避免低性能核心过载。
适用任务：处理差异较大的异构系统。
最短作业优先算法调度机制：优先执行预期执行时间最短的任务，选择运行负载最轻的进程。
特点：需要实时监控任务执行时间和进程负载，通过预测优化平衡效果。
适用任务：预测任务执行时间的批处理系统。
优先级算法调度机制：它们根据作业优先级分配资源，高优先级的作业首先放置在负载轻的处理器上。
特点：需要动态安排任务优先级并监控负载，避免高优先级任务贡献造成的过载。
适用任务：区分工作与紧急工作的系统（如实时操作系统）。
实时算法阻塞机制：确保任务在截止时间之前完成，并由能够满足截止时间的处理器优先处理。
特点：准确预测任务执行时间和流程负载，实时确定任务优先级。
适用任务：实时控制系统、处理音频和视频流以及其他时间敏感的任务。
负载均衡的实际效果 硬件保护：服务均衡分布，可以减少单核运行的持续高负载，降低硬件损坏的风险。
性能优化：避免通过任务集群延迟响应并提高系统吞吐量和容量利用率。
适应性：不同类型的调度算法可以针对特定场景（如实时、异构）进行优化。
总结：权重平衡是多核操作系统管理的核心机制。
通过任务调度和动态调整策略，实现计算资源的高效利用。
该方法的实现根据调度算法的不同而不同，必须根据系统需求（如公平性、真实性、硬件异构性）选择合适的解决方案，以平衡性能、寿命和成本。