Масштабування програм Node.js

Все, що вам потрібно знати про вбудовані інструменти Node.js для масштабованості

Оновлення: Ця стаття тепер є частиною моєї книги “Node.js Beyond The Basics”. Прочитайте оновлену версію цього вмісту та більше про Node за адресою jscomplete.com/node-beyond-basics .

Масштабованість у Node.js - це не додаткова думка. Це те, що запекло в основі роботи. Вузол називається Вузол, щоб підкреслити думку про те, що програма Вузол повинна містити кілька невеликих розподілених вузлів, які взаємодіють між собою.

Ви використовуєте кілька вузлів для своїх програм Node? Ви запускаєте процес Node на кожному ядрі процесора ваших виробничих машин і балансуєте навантаження між усіма запитами? Чи знали ви, що Node має вбудований модуль, який допоможе в цьому?

Кластерний модуль Node не тільки пропонує нестандартне рішення для використання всієї потужності центрального процесора машини, але це також допомагає збільшити доступність ваших процесів Node і надає можливість перезапустити всю програму з нульовим простоєм . Ця стаття висвітлює все це добро та багато іншого.

Ця стаття являє собою опис частини мого курсу Pluralsight про Node.js. Я охоплюю подібний вміст у відеоформаті.

Стратегії масштабованості

Навантаження - це найпопулярніша причина масштабування наших додатків, але це не єдина причина. Ми також масштабуємо наші програми, щоб збільшити їх доступність і стійкість до відмов.

Існує в основному три різні речі, які ми можемо зробити для масштабування програми:

1 - Клонування

Найпростіше зробити масштаб великого додатка клонувати його кілька разів, і кожен клонований екземпляр оброблятиме частину робочого навантаження (наприклад, з балансиром навантаження). Це не коштує багато часу з точки зору розробки, і це дуже ефективно. Ця стратегія є мінімальним, що вам слід зробити, і Node.js має вбудований модуль cluster, щоб полегшити вам реалізацію стратегії клонування на одному сервері.

2 - Розкладається

Ми також можемо масштабувати додаток, розкладаючи його на основі функціональних можливостей та послуг. Це означає наявність декількох різних програм з різними базами коду, а іноді і з власними виділеними базами даних та користувальницькими інтерфейсами.

Ця стратегія зазвичай асоціюється з терміном Microservice , де мікро вказує , що ці послуги повинні бути якомога менше , але в дійсності, розмір служби не те , що важливо, а виконання слабкою зв'язку і високою когезії між службами. Впровадження цієї стратегії часто буває непростим і може призвести до довгострокових несподіваних проблем, але при правильному виконанні переваги є великими.

3 - Розщеплення

Ми також можемо розділити програму на кілька екземплярів, де кожен екземпляр відповідає лише за частину даних програми. Цю стратегію часто називають горизонтальним розділенням або шардуванням в базах даних. Розділення даних вимагає кроку пошуку перед кожною операцією, щоб визначити, який екземпляр програми використовувати. Наприклад, можливо, ми хочемо розділити наших користувачів на основі їх країни або мови. Спочатку нам потрібно шукати цю інформацію.

Успішне масштабування великого додатка має врешті-решт реалізувати всі три стратегії. Node.js полегшує це зробити, але я збираюся зосередитись на стратегії клонування в цій статті та вивчити вбудовані інструменти, доступні в Node.js для її реалізації.

Зверніть увагу, що перед тим, як прочитати цю статтю , вам потрібно добре розуміти дочірні процеси Node.js. Якщо ви цього ще не зробили, рекомендую спочатку прочитати цю іншу статтю:

Дочірні процеси Node.js: усе, що вам потрібно знати

Як використовувати spawn (), exec (), execFile () та fork () medium.freecodecamp.org

Кластерний модуль

Модуль кластера може бути використаний для забезпечення балансування навантаження за кількома ядрами центрального процесора в середовищі. Він заснований на forkметоді дочірнього модуля процесу, і в основному він дозволяє нам розгалужувати основний процес програми стільки разів, скільки ядер центрального процесора. Потім він прийме і збалансує всі запити до основного процесу у всіх розгалужених процесах.

Модуль кластера є помічником Node для реалізації стратегії масштабування клонування, але лише на одній машині. Коли у вас велика машина з великою кількістю ресурсів або коли простіше і дешевше додати більше ресурсів на одну машину, а не додавати нові машини, кластерний модуль є чудовим варіантом для дійсно швидкої реалізації стратегії клонування.

Навіть невеликі машини, як правило, мають кілька ядер, і навіть якщо вас не турбує навантаження на ваш сервер Node, ви все одно повинні ввімкнути модуль кластера, щоб збільшити доступність вашого сервера та стійкість до несправностей. Це простий крок, і коли, наприклад, використовується менеджер процесів, такий як PM2, він стає таким же простим, як просто надання аргументу команді запуску!

Але дозвольте мені розповісти вам, як використовувати модуль кластера і пояснити, як він працює.

Структура того, що робить кластерний модуль, проста. Ми створюємо головний процес, і цей головний процес розгалужує низку робочих процесів і управляє ними. Кожен робочий процес являє собою екземпляр програми, яку ми хочемо масштабувати. Усі вхідні запити обробляються головним процесом, який визначає, який робочий процес повинен обробляти вхідний запит.

Робота головного процесу проста, оскільки насправді просто використовується алгоритм кругового обертання для вибору робочого процесу. Це ввімкнено за замовчуванням на всіх платформах, окрім Windows, і його можна глобально змінити, щоб дозволити балансування навантаження обробляти сама операційна система.

Алгоритм кругового обертання розподіляє навантаження рівномірно по всіх доступних процесах на ротаційній основі. Перший запит пересилається до першого робочого процесу, другий до наступного робочого процесу у списку тощо. Коли кінець списку досягнуто, алгоритм запускається знову з самого початку.

Це один з найпростіших і найбільш часто використовуваних алгоритмів балансування навантаження. Але це не єдине. Більш функціональні алгоритми дозволяють призначати пріоритети та вибирати найменш завантажений сервер або той, що має найшвидший час відгуку.

Балансування навантаження сервера HTTP

Давайте клонуємо та балансуємо навантаження простого сервера HTTP за допомогою модуля кластера. Ось простий приклад сервера Node, привітний світ, трохи модифікований для імітації деякої роботи процесора перед тим, як відповісти:

// server.js const http = require('http'); const pid = process.pid; http.createServer((req, res) => { for (let i=0; i { console.log(`Started process ${pid}`); });

Щоб перевірити, чи балансувальник, який ми збираємось створити, спрацює, я включив процес pidу відповідь HTTP, щоб визначити, який екземпляр програми насправді обробляє запит.

Перш ніж ми створимо кластер для клонування цього сервера на кілька робітників, давайте зробимо простий орієнтир, скільки запитів може обробляти цей сервер за секунду. Для цього ми можемо використовувати інструмент порівняльного аналізу Apache. Після запуску простого server.jsкоду вище, запустіть цю abкоманду:

ab -c200 -t10 //localhost:8080/

Ця команда перевірить сервер на 200 одночасних з'єднань протягом 10 секунд.

On my machine, the single node server was able to handle about 51 requests per second. Of course, the results here will be different on different platforms and this is a very simplified test of performance that’s not a 100% accurate, but it will clearly show the difference that a cluster would make in a multi-core environment.

Now that we have a reference benchmark, we can scale the application with the cloning strategy using the cluster module.

On the same level as the server.js file above, we can create a new file (cluster.js) for the master process with this content (explanation follows):

// cluster.js const cluster = require('cluster'); const os = require('os'); if (cluster.isMaster) { const cpus = os.cpus().length; console.log(`Forking for ${cpus} CPUs`); for (let i = 0; i

In cluster.js, we first required both the cluster module and the os module. We use the os module to read the number of CPU cores we can work with using os.cpus().

The cluster module gives us the handy Boolean flag isMaster to determine if this cluster.js file is being loaded as a master process or not. The first time we execute this file, we will be executing the master process and that isMaster flag will be set to true. In this case, we can instruct the master process to fork our server as many times as we have CPU cores.

Now we just read the number of CPUs we have using the os module, then with a for loop over that number, we call the cluster.fork method. The for loop will simply create as many workers as the number of CPUs in the system to take advantage of all the available processing power.

When the cluster.fork line is executed from the master process, the current file, cluster.js, is run again, but this time in worker mode with the isMaster flag set to false. There is actually another flag set to true in this case if you need to use it, which is the isWorker flag.

When the application runs as a worker, it can start doing the actual work. This is where we need to define our server logic, which, for this example, we can do by requiring the server.js file that we have already.

That’s basically it. That’s how easy it is to take advantage of all the processing power in a machine. To test the cluster, run the cluster.js file:

Original text


I have 8 cores on my machine so it started 8 processes. It’s important to understand that these are completely different Node.js processes. Each worker process here will have its own event loop and memory space.

When we now hit the web server multiple times, the requests will start to get handled by different worker processes with different process ids. The workers will not be exactly rotated in sequence because the cluster module performs some optimizations when picking the next worker, but the load will be somehow distributed among the different worker processes.

We can use the same ab command above to load-test this cluster of processes:

The cluster I created on my machine was able to handle 181 requests per second in comparison to the 51 requests per second that we got using a single Node process. The performance of this simple application tripled with just a few lines of code.

Broadcasting Messages to All Workers

Communicating between the master process and the workers is simple because under the hood the cluster module is just using the child_process.fork API, which means we also have communication channels available between the master process and each worker.

Based on the server.js/cluster.js example above, we can access the list of worker objects using cluster.workers, which is an object that holds a reference to all workers and can be used to read information about these workers. Since we have communication channels between the master process and all workers, to broadcast a message to all them we just need a simple loop over all the workers. For example:

Object.values(cluster.workers).forEach(worker => { worker.send(`Hello Worker ${worker.id}`); });

We simply used Object.values to get an array of all workers from the cluster.workers object. Then, for each worker, we can use the send function to send over any value that we want.

In a worker file, server.js in our example, to read a message received from this master process, we can register a handler for the message event on the global process object. For example:

process.on('message', msg => { console.log(`Message from master: ${msg}`); });

Here is what I see when I test these two additions to the cluster/server example:

Every worker received a message from the master process. Note how the workers did not start in order.

Let’s make this communication example a little bit more practical. Let’s say we want our server to reply with the number of users we have created in our database. We’ll create a mock function that returns the number of users we have in the database and just have it square its value every time it’s called (dream growth):

// **** Mock DB Call const numberOfUsersInDB = function()  5; this.count = this.count * this.count; return this.count;  // ****

Every time numberOfUsersInDB is called, we’ll assume that a database connection has been made. What we want to do here — to avoid multiple DB requests — is to cache this call for a certain period of time, such as 10 seconds. However, we still don’t want the 8 forked workers to do their own DB requests and end up with 8 DB requests every 10 seconds. We can have the master process do just one request and tell all of the 8 workers about the new value for the user count using the communication interface.

In the master process mode, we can, for example, use the same loop to broadcast the users count value to all workers:

// Right after the fork loop within the isMaster=true block const updateWorkers = () => { const usersCount = numberOfUsersInDB(); Object.values(cluster.workers).forEach(worker => { worker.send({ usersCount }); }); }; updateWorkers(); setInterval(updateWorkers, 10000);

Here we’re invoking updateWorkers for the first time and then invoking it every 10 seconds using a setInterval. This way, every 10 seconds, all workers will receive the new user count value over the process communication channel and only one database connection will be made.

In the server code, we can use the usersCount value using the same message event handler. We can simply cache that value with a module global variable and use it anywhere we want.

For example:

const http = require('http'); const pid = process.pid; let usersCount; http.createServer((req, res) => { for (let i=0; i { console.log(`Started process ${pid}`); }); process.on('message', msg => { usersCount = msg.usersCount; });

The above code makes the worker web server respond with the cached usersCountvalue. If you test the cluster code now, during the first 10 seconds you’ll get “25” as the users count from all workers (and only one DB request would be made). Then after another 10 seconds, all workers would start reporting the new user count, 625 (and only one other DB request would be made).

This is all possible thanks to the communication channels between the master process and all workers.

Increasing Server Availability

One of the problems in running a single instance of a Node application is that when that instance crashes, it has to be restarted. This means some downtime between these two actions, even if the process was automated as it should be.

This also applies to the case when the server has to be restarted to deploy new code. With one instance, there will be downtime which affects the availability of the system.

When we have multiple instances, the availability of the system can be easily increased with just a few extra lines of code.

To simulate a random crash in the server process, we can simply do a process.exit call inside a timer that fires after a random amount of time:

// In server.js setTimeout(() => { process.exit(1) // death by random timeout }, Math.random() * 10000);

When a worker process exits like this, the master process will be notified using the exit event on the cluster model object. We can register a handler for that event and just fork a new worker process when any worker process exits.

For example:

// Right after the fork loop within the isMaster=true block cluster.on('exit', (worker, code, signal) => { if (code !== 0 && !worker.exitedAfterDisconnect) { console.log(`Worker ${worker.id} crashed. ` + 'Starting a new worker...'); cluster.fork(); } });

It’s good to add the if condition above to make sure the worker process actually crashed and was not manually disconnected or killed by the master process itself. For example, the master process might decide that we are using too many resources based on the load patterns it sees and it will need to kill a few workers in that case. To do so, we can use the disconnect methods on any worker and, in that case, the exitedAfterDisconnect flag will be set to true. The if statement above will guard to not fork a new worker for that case.

If we run the cluster with the handler above (and the random crash in server.js), after a random number of seconds, workers will start to crash and the master process will immediately fork new workers to increase the availability of the system. You can actually measure the availability using the same ab command and see how many requests the server will not be able to handle overall (because some of the unlucky requests will have to face the crash case and that’s hard to avoid.)

When I tested the code, only 17 requests failed out of over 1800 in the 10-second testing interval with 200 concurrent requests.

That’s over 99% availability. By just adding a few lines of code, we now don’t have to worry about process crashes anymore. The master guardian will keep an eye on those processes for us.

Zero-downtime Restarts

What about the case when we want to restart all worker processes when, for example, we need to deploy new code?

We have multiple instances running, so instead of restarting them together, we can simply restart them one at a time to allow other workers to continue to serve requests while one worker is being restarted.

Implementing this with the cluster module is easy. Since we don’t want to restart the master process once it’s up, we need a way to send this master process a command to instruct it to start restarting its workers. This is easy on Linux systems because we can simply listen to a process signal like SIGUSR2, which we can trigger by using the kill command on the process id and passing that signal:

// In Node process.on('SIGUSR2', () => { ... }); // To trigger that $ kill -SIGUSR2 PID

This way, the master process will not be killed and we have a way to instruct it to start doing something. SIGUSR2 is a proper signal to use here because this will be a user command. If you’re wondering why not SIGUSR1, it’s because Node uses that for its debugger and you want to avoid any conflicts.

Unfortunately, on Windows, these process signal are not supported and we would have to find another way to command the master process to do something. There are some alternatives. We can, for example, use standard input or socket input. Or we can monitor the existence of a process.pid file and watch that for a remove event. But to keep this example simple, we’ll just assume this server is running on a Linux platform.

Node works very well on Windows, but I think it’s a much safer option to host production Node applications on a Linux platform. This is not just because of Node itself, but many other production tools that are much more stable on Linux. This is my personal opinion and feel free to completely ignore it.

By the way, on recent versions of Windows, you can actually use a Linux subsystem and it works very well. I’ve tested it myself and it was nothing short of impressive. If you’re developing a Node applications on Windows, check out Bash on Windows and give it a try.

In our example, when the master process receives the SIGUSR2 signal, that means it’s time for it to restart its workers, but we want to do that one worker at a time. This simply means the master process should only restart the next worker when it’s done restarting the current one.

To begin this task, we need to get a reference to all current workers using the cluster.workers object and we can simply just store the workers in an array:

const workers = Object.values(cluster.workers);

Then, we can create a restartWorker function that receives the index of the worker to be restarted. This way we can do the restarting in sequence by having the function call itself when it’s ready for the next worker. Here’s an example restartWorker function that we can use (explanation follows):

const restartWorker = (workerIndex) => { const worker = workers[workerIndex]; if (!worker) return; worker.on('exit', () => { if (!worker.exitedAfterDisconnect) return; console.log(`Exited process ${worker.process.pid}`); cluster.fork().on('listening', () => { restartWorker(workerIndex + 1); }); }); worker.disconnect(); }; restartWorker(0);

Inside the restartWorker function, we got a reference to the worker to be restarted and since we will be calling this function recursively to form a sequence, we need a stop condition. When we no longer have a worker to restart, we can just return. We then basically want to disconnect this worker (using worker.disconnect), but before restarting the next worker, we need to fork a new worker to replace this current one that we’re disconnecting.

We can use the exit event on the worker itself to fork a new worker when the current one exists, but we have to make sure that the exit action was actually triggered after a normal disconnect call. We can use the exitedAfetrDisconnect flag. If this flag is not true, the exit was caused by something else other than our disconnect call and in that case, we should just return and do nothing. But if the flag is set to true, we can go ahead and fork a new worker to replace the one that we’re disconnecting.

When this new forked worker is ready, we can restart the next one. However, remember that the fork process is not synchronous, so we can’t just restart the next worker after the fork call. Instead, we can monitor the listening event on the newly forked worker, which tells us that this worker is connected and ready. When we get this event, we can safely restart the next worker in sequence.

That’s all we need for a zero-downtime restart. To test it, you’ll need to read the master process id to be sent to the SIGUSR2 signal:

console.log(`Master PID: ${process.pid}`);

Start the cluster, copy the master process id, and then restart the cluster using the kill -SIGUSR2 PID command. You can also run the same ab command while restarting the cluster to see the effect that this restart process will have on availability. Spoiler alert, you should get ZERO failed requests:

Process monitors like PM2, which I personally use in production, make all the tasks we went through so far extremely easy and give a lot more features to monitor the health of a Node.js application. For example, with PM2, to launch a cluster for any app, all you need to do is use the -i argument:

pm2 start server.js -i max

And to do a zero downtime restart you just issue this magic command:

pm2 reload all

However, I find it helpful to first understand what actually will happen under the hood when you use these commands.

Shared State and Sticky Load Balancing

Good things always come with a cost. When we load balance a Node application, we lose some features that are only suitable for a single process. This problem is somehow similar to what’s known in other languages as thread safety, which is about sharing data between threads. In our case, it’s sharing data between worker processes.

For example, with a cluster setup, we can no longer cache things in memory because every worker process will have its own memory space. If we cache something in one worker’s memory, other workers will not have access to it.

If we need to cache things with a cluster setup, we have to use a separate entity and read/write to that entity’s API from all workers. This entity can be a database server or if you want to use in-memory cache you can use a server like Redis or create a dedicated Node process with a read/write API for all other workers to communicate with.

Don’t look at this as a disadvantage though, because using a separate entity for your application caching needs is part of decomposing your app for scalability. You should probably be doing that even if you’re running on a single core machine.

Other than caching, when we’re running on a cluster, stateful communication in general becomes a problem. Since the communication is not guaranteed to be with the same worker, creating a stateful channel on any one worker is not an option.

The most common example for this is authenticating users.

With a cluster, the request for authentication comes to the master balancer process, which gets sent to a worker, assuming that to be A in this example.

Worker A now recognizes the state of this user. However, when the same user makes another request, the load balancer will eventually send them to other workers, which do not have them as authenticated. Keeping a reference to an authenticated user session in one instance memory is not going to work anymore.

This problem can be solved in many ways. We can simply share the state across the many workers we have by storing these sessions’ information in a shared database or a Redis node. However, applying this strategy requires some code changes, which is not always an option.

If you can’t do the code modifications needed to make a shared storage of sessions here, there is a less invasive but not as efficient strategy. You can use what’s known as Sticky Load Balancing. This is much simpler to implement as many load balancers support this strategy out of the box. The idea is simple. When a user authenticates with a worker instance, we keep a record of that relation on the load balancer level.

Then, when the same user sends a new request, we do a lookup in this record to figure out which server has their session authenticated and keep sending them to that server instead of the normal distributed behavior. This way, the code on the server side does not have to be changed, but we don’t really get the benefit of load balancing for authenticated users here so only use sticky load balancing if you have no other option.

The cluster module actually does not support sticky load balancing, but a few other load balancers can be configured to do sticky load balancing by default.

Thanks for reading.

Learning React or Node? Checkout my books:

  • Learn React.js by Building Games
  • Node.js Beyond the Basics