上篇相关博客：一文彻底理解Dubbo SPI 自适应（Adaptive）拓展原理
1.Dubbo负载均衡简介
LoadBalance 中文意思为负载均衡，它的职责是将网络请求，或者其他形式的负载“均摊”到不同的机器上。避免集群中部分服务器压力过大，而另一些服务器比较空闲的情况。通过负载均衡，可以让每台服务器获取到适合自己处理能力的负载。在为高负载服务器分流的同时，还可以避免资源浪费，一举两得。负载均衡可分为软件负载均衡和硬件负载均衡。硬件负载均衡器，常见的有NetScaler、F5、Radware和Array等，在我们日常开发中一般很难接触到硬件负载均衡。但软件负载均衡还是可以接触到的，软件负载均衡器，较流行的有LVS，haproxy，nginx。在 Dubbo 中，也有负载均衡的概念和相应的实现。Dubbo 需要对服务消费者的调用请求进行分配，避免少数服务提供者负载过大。服务提供者负载过大，会导致部分请求超时。因此将负载均衡到每个服务提供者上，是非常必要的。Dubbo 提供了4种负载均衡实现，分别是基于权重随机算法的 RandomLoadBalance、基于最少活跃调用数算法的 LeastActiveLoadBalance、基于 hash 一致性的 ConsistentHashLoadBalance，以及基于加权轮询算法的 RoundRobinLoadBalance。本文在编写是基于 Dubbo 2.7.7 的源码。
2.Dubbo负载均衡源码
2.1 LoadBalance接口及抽象实现
在 Dubbo 中，所有负载均衡实现类均继承自 AbstractLoadBalance，该类实现了 LoadBalance 接口，并封装了一些公共的逻辑。所以在分析负载均衡实现之前，先来看一下LoadBalance 接口定义及 AbstractLoadBalance实现逻辑。
LoadBalance 接口定义
/**
*
*负载均衡也是基于Dubbo SPI机制实现的，默认是RandomLoadBalance（基于权重随机算法）
*
*/
@SPI(RandomLoadBalance.NAME)
public interface LoadBalance {
/**
* 从所有可用的（比如经过路由过滤等）执行者中选择一个返回
*
* @param invokers 所有可行执行者.
* @param url refer url
* @param invocation 程序的调用者
* @return 负载均衡选出的一个执行者（即被调用服务）
*/
@Adaptive("loadbalance")
<T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) throws RpcException;
}
AbstractLoadBalance对接口select方法的实现逻辑
@Override
public <T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) {
//集合是如果没有可用执行者直接返回空
if (CollectionUtils.isEmpty(invokers)) {
return null;
}
//集合中如果只有一个可用的执行者，直接返回，不需要负载均衡介入
if (invokers.size() == 1) {
return invokers.get(0);
}
//调用子类实现的具体负载均衡算法进行选择
return doSelect(invokers, url, invocation);
}
protected abstract <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation);
AbstractLoadBalance服务提供者权重计算逻辑
/**
* 该过程主要用于保证当服务运行时长小于服务预热时间时，对服务进行降权，避免让服务在启动之初就处于高负载状态。 服务预热是一个优化手段，与此类似的还有 JVM
* 预热。 主要目的是让服务启动后“低功率”运行一段时间，使其效率慢慢提升至最佳状态。
*
* @param uptime
* @param warmup
* @param weight
* @return
*/
static int calculateWarmupWeight(int uptime, int warmup, int weight) {
// 根据运行时间和预热时间的比例，计算权重，计算结果介于1-weight之间
int ww = (int) (uptime / ((float) warmup / weight));
return ww < 1 ? 1 : (Math.min(ww, weight));
}
/**
* 根据预热时间及正常运行时间计算调用程序的权重
*
*/
int getWeight(Invoker<?> invoker, Invocation invocation) {
int weight;
//取出调用URL
URL url = invoker.getUrl();
// 多注册中心的权重计算方式（如果调用的是注册中心服务则从URL中获取(registry.weight)权重，默认100）
if (REGISTRY_SERVICE_REFERENCE_PATH.equals(url.getServiceInterface())) {
weight = url.getParameter(REGISTRY_KEY + "." + WEIGHT_KEY, DEFAULT_WEIGHT);
} else {
//不是调用注册中心服务，则用具体调用服务名从URL中获取权重值（默认也是100）
weight = url.getMethodParameter(invocation.getMethodName(), WEIGHT_KEY, DEFAULT_WEIGHT);
if (weight > 0) {
//从URL中获取时间戳（timestamp）的值，默认为0
long timestamp = invoker.getUrl().getParameter(TIMESTAMP_KEY, 0L);
if (timestamp > 0L) {
//计算服务运行时间
long uptime = System.currentTimeMillis() - timestamp;
if (uptime < 0) {//运行时间小于0则返回权重1
return 1;
}
// 获取服务预热时间，默认为10分钟
int warmup = invoker.getUrl().getParameter(WARMUP_KEY, DEFAULT_WARMUP);
// 如果服务运行时间小于预热时间，则重新计算服务权重，即降权
if (uptime > 0 && uptime < warmup) {
weight = calculateWarmupWeight((int)uptime, warmup, weight);
}
}
}
}
return Math.max(weight, 0);
}
2.2 加权随机 RandomLoadBalance
RandomLoadBalance 是加权随机算法的具体实现，它的算法思想很简单。假设我们有一组服务器 servers = [A, B, C]，他们对应的权重为 weights = [2, 4, 6]，权重总和为12。现在把这些权重值平铺在一维坐标值上，[0, 2) 区间属于服务器 A，[2, 6) 区间属于服务器 B，[6, 12) 区间属于服务器 C。接下来通过随机数生成器生成一个范围在 [0, 12) 之间的随机数，然后计算这个随机数会落到哪个区间上。比如数字3会落到服务器 B 对应的区间上，此时返回服务器 B 即可。权重越大的机器，在坐标轴上对应的区间范围就越大，因此随机数生成器生成的数字就会有更大的概率落到此区间内。只要随机数生成器产生的随机数分布性很好，在经过多次选择后，每个服务器被选中的次数比例接近其权重比例。
当然 RandomLoadBalance 也存在一定的缺点，当调用次数比较少时，Random 产生的随机数可能会比较集中，此时多数请求会落到同一台服务器上。这个缺点并不是很严重，多数情况下可以忽略。RandomLoadBalance 是一个简单，高效的负载均衡实现，因此 Dubbo 选择它作为缺省实现。
/**
* 加权随机算法RandomLoadBalance实现： 如果权重都相同，那么它将使用random.nextInt（invoker的数量）;
* 如果权重不同，则使用random.nextInt（w1+w2+...+wn）。
* 注意：如果机器的性能比其他机器好，可以设置更大的重量； 如果性能不太好，可以设置较小的权重。
*/
public class RandomLoadBalance extends AbstractLoadBalance {
public static final String NAME = "random";
/**
* Select one invoker between a list using a random criteria
*
* @param invokers List of possible invokers
* @param url URL
* @param invocation Invocation
* @param <T>
* @return The selected invoker
*/
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// Number of invokers
int length = invokers.size();
// Every invoker has the same weight?
boolean sameWeight = true;
// the weight of every invokers
int[] weights = new int[length];
// the first invoker's weight
int firstWeight = getWeight(invokers.get(0), invocation);
weights[0] = firstWeight;
// The sum of weights
int totalWeight = firstWeight;
// 循环计算权重的和
// 循环确认权重和是否一致
for (int i = 1; i < length; i++) {
int weight = getWeight(invokers.get(i), invocation);
// save for later use
weights[i] = weight;
// Sum
totalWeight += weight;
if (sameWeight && weight != firstWeight) {
sameWeight = false;
}
}
if (totalWeight > 0 && !sameWeight) {
// 如果权重和大于0 并且权重Invoker的不完全相同，则随机一个（0-totalWeight)权重和之间的数字
int offset = ThreadLocalRandom.current().nextInt(totalWeight);
// 根据随机值，计算该随机值属于哪一个Invoker的区间，并返回改Invoker
for (int i = 0; i < length; i++) {
offset -= weights[i];
if (offset < 0) {
return invokers.get(i);
}
}
}
// 如果权重和等于0，或者所有invoker的权重值一样的，则直接随机一个Invoker返回
return invokers.get(ThreadLocalRandom.current().nextInt(length));
}
}
2.3 加权最小活跃数 LeastActiveLoadBalance
活跃调用数越小，表明该服务提供者效率越高，单位时间内可处理更多的请求。此时应优先将请求分配给该服务提供者。在具体实现中，每个服务提供者对应一个活跃数 active。初始情况下，所有服务提供者活跃数均为0。每收到一个请求，活跃数加1，完成请求后则将活跃数减1。在服务运行一段时间后，性能好的服务提供者处理请求的速度更快，因此活跃数下降的也越快，此时这样的服务提供者能够优先获取到新的服务请求、这就是最小活跃数负载均衡算法的基本思想。除了最小活跃数，LeastActiveLoadBalance 在实现上还引入了权重值。所以准确的来说，LeastActiveLoadBalance 是基于加权最小活跃数算法实现的。举个例子说明一下，在一个服务提供者集群中，有两个性能优异的服务提供者。某一时刻它们的活跃数相同，此时 Dubbo 会根据它们的权重去分配请求，权重越大，获取到新请求的概率就越大。如果两个服务提供者权重相同，此时随机选择一个即可。
public class LeastActiveLoadBalance extends AbstractLoadBalance {
public static final String NAME = "leastactive";
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// 服务提供者（Invoker）数量
int length = invokers.size();
// 最小活跃数
int leastActive = -1;
// 最小活跃数Invoker的数量（多个Invoker的最小活跃数相同）
int leastCount = 0;
// 最小活跃数Invoker对应的下标
int[] leastIndexes = new int[length];
// 每个Invoker的权重
int[] weights = new int[length];
// 所有最不活跃调用程序的预热权重之和
int totalWeight = 0;
// 第一个最小活跃Invoker的权重
int firstWeight = 0;
// 所有最小活跃Invoker的权重是否一致
boolean sameWeight = true;
// 找出所有最小活跃Invoker
for (int i = 0; i < length; i++) {
Invoker<T> invoker = invokers.get(i);
// 获取Invoker的活跃数
int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive();
// 获取Invoker的权重，默认100（该方法在抽象类中实现）
int afterWarmup = getWeight(invoker, invocation);
// 保存当前Invoker的权重值
weights[i] = afterWarmup;
// 如果当前Invoker是活跃数最小的Invoker（最小活跃数为-1或者比当前Invoker活跃数大）
if (leastActive == -1 || active < leastActive) {
//更新最小小活跃数为当前的Invoker活跃数
leastActive = active;
// 重置最小活跃Invoker数量为-1
leastCount = 1;
// 设置当前Invoker为最小活跃Invoker的第一个值
leastIndexes[0] = i;
// 重置总权重为当前Invoker权重
totalWeight = afterWarmup;
// 重置第一个最小活跃Invoker的权重为当前Invoker权重
firstWeight = afterWarmup;
//设置所有Invoker权重相同
sameWeight = true;
//如果当前Invoker活跃数和记录中的最小活跃数相同
} else if (active == leastActive) {
//记录大当前Invoker到最小Invoker下标数组
leastIndexes[leastCount++] = i;
// 总权重值加上当前的Invoker权重
totalWeight += afterWarmup;
// 之前所有最小Invoker的权重相同并当前权重和记录中的最下权重不同，则更新sameWeight为false
if (sameWeight && i > 0
&& afterWarmup != firstWeight) {
sameWeight = false;
}
}
}
if (leastCount == 1) {
// 如果最小活跃的Invoker只有一个，则直接返回
return invokers.get(leastIndexes[0]);
}
if (!sameWeight && totalWeight > 0) {
// 如果所有最小活跃的权重不都相同并且总权重大于0, 则在[0-totalWeight）范围随机一个数
int offsetWeight = ThreadLocalRandom.current().nextInt(totalWeight);
// 根据随机值，找出对应区间的Invoker返回
for (int i = 0; i < leastCount; i++) {
int leastIndex = leastIndexes[i];
offsetWeight -= weights[leastIndex];
if (offsetWeight < 0) {
return invokers.get(leastIndex);
}
}
}
// 如果所有最小活跃Invoker权重相同或者总权重等于0，则随机返回一个Invoker
return invokers.get(leastIndexes[ThreadLocalRandom.current().nextInt(leastCount)]);
}
}
2.4 加权轮询 RoundRobinLoadBalance
在详细分析源码前，我们先来了解一下什么是加权轮询。这里从最简单的轮询开始讲起，所谓轮询是指将请求轮流分配给每台服务器。举个例子，我们有三台服务器 A、B、C。我们将第一个请求分配给服务器 A，第二个请求分配给服务器 B，第三个请求分配给服务器 C，第四个请求再次分配给服务器 A。这个过程就叫做轮询。轮询是一种无状态负载均衡算法，实现简单，适用于每台服务器性能相近的场景下。但现实情况下，我们并不能保证每台服务器性能均相近。如果我们将等量的请求分配给性能较差的服务器，这显然是不合理的。因此，这个时候我们需要对轮询过程进行加权，以调控每台服务器的负载。经过加权后，每台服务器能够得到的请求数比例，接近或等于他们的权重比。比如服务器 A、B、C 权重比为 5:2:1。那么在8次请求中，服务器 A 将收到其中的5次请求，服务器 B 会收到其中的2次请求，服务器 C 则收到其中的1次请求。
public class RoundRobinLoadBalance extends AbstractLoadBalance {
public static final String NAME = "roundrobin";
private static final int RECYCLE_PERIOD = 60000;
protected static class WeightedRoundRobin {
//权重
private int weight;
//当前权重
private AtomicLong current = new AtomicLong(0);
//上次更新时间
private long lastUpdate;
public int getWeight() {
return weight;
}
/**
* 设置服务提供者权重,并初始化当前权重为0
* @param weight
*/
public void setWeight(int weight) {
this.weight = weight;
current.set(0);
}
/**
* current += weightl;
* @return
*/
public long increaseCurrent() {
return current.addAndGet(weight);
}
/**
* current -= total;
* @param total
*/
public void sel(int total) {
current.addAndGet(-1 * total);
}
public long getLastUpdate() {
return lastUpdate;
}
public void setLastUpdate(long lastUpdate) {
this.lastUpdate = lastUpdate;
}
}
//最外层为服务类名 + 方法名，第二层为 url(标识某个具体服务) 到 WeightedRoundRobin 的映射关系。
private ConcurrentMap<String, ConcurrentMap<String, WeightedRoundRobin>> methodWeightMap = new ConcurrentHashMap<String, ConcurrentMap<String, WeightedRoundRobin>>();
//更新锁（原子操作）
private AtomicBoolean updateLock = new AtomicBoolean();
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// 调用服务可key+"."+方法名（如UserService.update）
String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();
// 从缓冲找中获取某个调用的<url,WeightedRoundRobin>所有映射
ConcurrentMap<String, WeightedRoundRobin> map = methodWeightMap.computeIfAbsent(key, k -> new ConcurrentHashMap<>());
// 总的权重
int totalWeight = 0;
// 最大的当前权重
long maxCurrent = Long.MIN_VALUE;
long now = System.currentTimeMillis();
// 选出的服务提供者
Invoker<T> selectedInvoker = null;
WeightedRoundRobin selectedWRR = null;
//遍历所有的提供者列表
for (Invoker<T> invoker : invokers) {
//获取Invoker的URL标识
String identifyString = invoker.getUrl().toIdentityString();
//计算权重
int weight = getWeight(invoker, invocation);
//从缓存中获取WeightedRoundRobin
WeightedRoundRobin weightedRoundRobin = map.get(identifyString);
// 如果没有则新增一个，放入缓存中并赋值weightedRoundRobin
if (weightedRoundRobin == null) {
// 新增WeightedRoundRobin实例并设置权重
weightedRoundRobin = new WeightedRoundRobin();
weightedRoundRobin.setWeight(weight);
// 使用putIfAbsent放入缓存，防止其他线程设置
map.putIfAbsent(identifyString, weightedRoundRobin);
weightedRoundRobin = map.get(identifyString);
}
//如果权重改变了，则更新WeightedRoundRobin权重值
if (weight != weightedRoundRobin.getWeight()) {
weightedRoundRobin.setWeight(weight);
}
// 更新current权重（current += weightl）
long cur = weightedRoundRobin.increaseCurrent();
// 设置上次更新时间为当前时间
weightedRoundRobin.setLastUpdate(now);
//如果当前权重大于最大的当前权重
if (cur > maxCurrent) {
//更新最大去权重
maxCurrent = cur;
//设置当前的Invoker为选出的Invoker
selectedInvoker = invoker;
//选择的权重WeightedRoundRobin
selectedWRR = weightedRoundRobin;
}
//计算权重和
totalWeight += weight;
}
// 如果未加锁并且invokers和缓存中记录的数量不同，则尝试获取锁做更新操作
if (!updateLock.get() && invokers.size() != map.size()) {
if (updateLock.compareAndSet(false, true)) {
try {
// 复制一份新的 <url, WeightedRoundRobin>
ConcurrentMap<String, WeightedRoundRobin> newMap = new ConcurrentHashMap<>(map);
//对 <url, WeightedRoundRobin> 进行检查，过滤掉长时间未被更新的节点,，默认阈值为60秒。
newMap.entrySet().removeIf(item -> now - item.getValue().getLastUpdate() > RECYCLE_PERIOD);
methodWeightMap.put(key, newMap);
} finally {
updateLock.set(false);
}
}
}
// 如果选出了提供者
if (selectedInvoker != null) {
//更新当前权重减去总的权重（ current -= total）
selectedWRR.sel(totalWeight);
return selectedInvoker;
}
// 如果没有选出则直接返回第0个提供者，正常情况是不会执行的
return invokers.get(0);
}
}
2.5 一致性Hash ConsistentHashLoadBalance
一致性 hash 算法由麻省理工学院的 Karger 及其合作者于1997年提出的，算法提出之初是用于大规模缓存系统的负载均衡。它的工作过程是这样的，首先根据 ip 或者其他的信息为缓存节点生成一个 hash，并将这个 hash 投射到 [0,4 294 967 295] 的圆环上。当有查询或写入请求时，则为缓存项的 key 生成一个 hash 值。然后查找第一个大于或等于该 hash 值的缓存节点，并到这个节点中查询或写入缓存项。如果当前节点挂了，则在下一次查询或写入缓存时，为缓存项查找另一个大于其 hash 值的缓存节点即可。大致效果如下图所示，每个缓存节点在圆环上占据一个位置。如果缓存项的 key 的 hash 值小于缓存节点 hash 值，则到该缓存节点中存储或读取缓存项。比如下面绿色点对应的缓存项将会被存储到 cache-2 节点中。由于 cache-3 挂了，原本应该存到该节点中的缓存项最终会存储到 cache-4 节点中。
我们把上图的缓存节点替换成 Dubbo 的服务提供者，这里相同颜色的节点均属于同一个服务提供者，比如 Invoker1-1，Invoker1-2，……, Invoker1-160。这样做的目的是通过引入虚拟节点，让 Invoker 在圆环上分散开来，避免数据倾斜问题。所谓数据倾斜是指，由于节点不够分散，导致大量请求落到了同一个节点上，而其他节点只会接收到了少量请求的情况。
public class ConsistentHashLoadBalance extends AbstractLoadBalance {
public static final String NAME = "consistenthash";
/**
* Hash nodes name
*/
public static final String HASH_NODES = "hash.nodes";
/**
* Hash arguments name
*/
public static final String HASH_ARGUMENTS = "hash.arguments";
//<调用服务key（如UserService.update）,ConsistentHashSelector>
private final ConcurrentMap<String, ConsistentHashSelector<?>> selectors = new ConcurrentHashMap<String, ConsistentHashSelector<?>>();
@SuppressWarnings("unchecked")
@Override
protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
// 获取调用服务方法名称，并拼接缓存key
String methodName = RpcUtils.getMethodName(invocation);
String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName;
// 获取调用者列表的hash值
int invokersHashCode = invokers.hashCode();
//从缓存中获取ConsistentHashSelector
ConsistentHashSelector<T> selector = (ConsistentHashSelector<T>) selectors.get(key);
//如果没有缓存中不存在或者hash值发生了变化即服务提供者发生了变化
if (selector == null || selector.identityHashCode != invokersHashCode) {
//新增ConsistentHashSelector实例并存入缓存
selectors.put(key, new ConsistentHashSelector<T>(invokers, methodName, invokersHashCode));
selector = (ConsistentHashSelector<T>) selectors.get(key);
}
//调用ConsistentHashSelector的选择方法返回服务提供者
return selector.select(invocation);
}
private static final class ConsistentHashSelector<T> {
//虚拟节点
private final TreeMap<Long, Invoker<T>> virtualInvokers;
//虚拟节点数
private final int replicaNumber;
// hash 值
private final int identityHashCode;
// 索引
private final int[] argumentIndex;
ConsistentHashSelector(List<Invoker<T>> invokers, String methodName, int identityHashCode) {
this.virtualInvokers = new TreeMap<Long, Invoker<T>>();
this.identityHashCode = identityHashCode;
URL url = invokers.get(0).getUrl();
//获取虚拟节点数，默认160
this.replicaNumber = url.getMethodParameter(methodName, HASH_NODES, 160);
// 获取参与hash计算的下标，默认是0
String[] index = COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, HASH_ARGUMENTS, "0"));
argumentIndex = new int[index.length];
for (int i = 0; i < index.length; i++) {
argumentIndex[i] = Integer.parseInt(index[i]);
}
for (Invoker<T> invoker : invokers) {
//获取提供者地址
String address = invoker.getUrl().getAddress();
for (int i = 0; i < replicaNumber / 4; i++) {
// 对 address + i 进行 md5 运算，得到一个长度为16的字节数组
byte[] digest = md5(address + i);
for (int h = 0; h < 4; h++) {
// h = 0 时，取 digest 中下标为 0 ~ 3 的4个字节进行位运算
// h = 1 时，取 digest 中下标为 4 ~ 7 的4个字节进行位运算
// h = 2, h = 3 时过程同上
long m = hash(digest, h);
// 存放虚拟节点调用者
virtualInvokers.put(m, invoker);
}
}
}
}
public Invoker<T> select(Invocation invocation) {
// 将参数转为 key
String key = toKey(invocation.getArguments());
// 对参数 key 进行 md5 运算
byte[] digest = md5(key);
// 取 digest 数组的前四个字节进行 hash 运算，再将 hash 值传给 selectForKey 方法选出提供者
return selectForKey(hash(digest, 0));
}
private String toKey(Object[] args) {
StringBuilder buf = new StringBuilder();
for (int i : argumentIndex) {
if (i >= 0 && i < args.length) {
buf.append(args[i]);
}
}
return buf.toString();
}
private Invoker<T> selectForKey(long hash) {
// 到 TreeMap 中查找第一个节点值大于或等于当前 hash 的 Invoker
Map.Entry<Long, Invoker<T>> entry = virtualInvokers.ceilingEntry(hash);
if (entry == null) {
//没有找到则选择头结点
entry = virtualInvokers.firstEntry();
}
//返回该虚拟节点的Invoker
return entry.getValue();
}
private long hash(byte[] digest, int number) {
return (((long) (digest[3 + number * 4] & 0xFF) << 24)
| ((long) (digest[2 + number * 4] & 0xFF) << 16)
| ((long) (digest[1 + number * 4] & 0xFF) << 8)
| (digest[number * 4] & 0xFF))
& 0xFFFFFFFFL;
}
private byte[] md5(String value) {
MessageDigest md5;
try {
md5 = MessageDigest.getInstance("MD5");
} catch (NoSuchAlgorithmException e) {
throw new IllegalStateException(e.getMessage(), e);
}
md5.reset();
byte[] bytes = value.getBytes(StandardCharsets.UTF_8);
md5.update(bytes);
return md5.digest();
}
}
}
更多源码请参考dubbo源码中的dubbo-cluster模块：https://github.com/qqxhb/dubbo/tree/master/dubbo-cluster
