CN116185614A - 一种多服务器均衡负载方法、系统、介质及设备 - Google Patents

一种多服务器均衡负载方法、系统、介质及设备 Download PDF

Info

Publication number
CN116185614A
CN116185614A CN202310028070.7A CN202310028070A CN116185614A CN 116185614 A CN116185614 A CN 116185614A CN 202310028070 A CN202310028070 A CN 202310028070A CN 116185614 A CN116185614 A CN 116185614A
Authority
CN
China
Prior art keywords
model
servers
dependency
server
dependency relationship
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310028070.7A
Other languages
English (en)
Other versions
CN116185614B (zh
Inventor
王思宇
冯天阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mingyang Industrial Technology Research Institute Shenyang Co ltd
Original Assignee
Mingyang Industrial Technology Research Institute Shenyang Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mingyang Industrial Technology Research Institute Shenyang Co ltd filed Critical Mingyang Industrial Technology Research Institute Shenyang Co ltd
Priority to CN202310028070.7A priority Critical patent/CN116185614B/zh
Publication of CN116185614A publication Critical patent/CN116185614A/zh
Application granted granted Critical
Publication of CN116185614B publication Critical patent/CN116185614B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Devices For Executing Special Programs (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明公开一种多服务器均衡负载方法、系统、介质及设备，其中，在所述系统中，服务请求模块与依赖关系模型构建模块通信连接，依赖关系模型构建模块分别与服务器权重分配模块和依赖关系模型推理优化模块通信连接，服务器权重分配模块与依赖关系模型推理优化模块通信连接，依赖关系模型推理优化模块与依赖关系模型模拟优化模块通信连接，依赖关系模型推理优化模块与负载管理模块通信连接。本发明通过以petri网构建模型，结合正反向推理算法，在原有算法基础上进行创新，实现了一种新的负载模型，此模型不仅可以保留原有算法的高性能，还可实现对高可用性上的性能极大提升，解决了原有算法在高可用上的缺陷。

Description

一种多服务器均衡负载方法、系统、介质及设备
技术领域
本发明涉及计算机技术领域，具体地说是一种多服务器均衡负载方法、系统、介质及设备。
背景技术
负载均衡的目的是创建一个系统：将来自实际运行服务的物理服务器中的“服务”(用户访问站点)进行虚拟化处理，在大量物理服务器之间实现负载均衡，并使这些服务器对外界看起来犹如一个大服务器，为用户提供高可用性、高扩展性、可预测的应用服务。
负载均衡可以改善计算机，计算机集群，网络连接，中央处理器单元或者磁盘驱动琪等多种计算资源和工作负载分布。负载均衡就是优化资源使用，最大吞吐量，最小化响应时间并且避免任何单一资源的过载。使用多个组件进行负载均衡，而不是单个组件可能会通过冗余来提高可靠性和可用性。
负载均衡的作用：1、增加吞吐量，解决并发压力(高性能)；2、提供故障转移(高可用)；3、通过添加或减少服务器数量，提供网站伸缩性(扩展性)；4、安全防护(负载均衡设备上做一些过滤，黑白名单等处理)。
当前负载均衡算法普遍由以下5种算法来实现：1、轮询法；2、加权轮询法；3、随机法；4、加权随机法；5、源地址哈希法。以上5种负载均衡算法各自有各自的优点，然而在“高可用性”上均未能取得很好的成绩。
发明内容
为此，本发明所要解决的技术问题在于提供一种多服务器均衡负载方法、系统、介质及设备，通过以Petri网构建模型，结合正反向推理算法，在原有算法基础上进行创新，实现了一种新的负载模型，此模型不仅可以保留原有算法的高性能，还可实现对高可用性上的性能极大提升，解决了原有算法在高可用上的缺陷。
为解决上述技术问题，本发明提供如下技术方案：
一种多服务器均衡负载方法，当在同一个服务器组内进行负载分配时，通过如下步骤实现均衡负载：
S1)利用Petri网构建多服务器间的初级依赖关系模型；
S2)通过基于功能分组的多层Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配；
S3)利用FPN算法对经步骤S2)处理后的初级依赖关系模型进行反向推理，获得中级依赖关系模型，再对中级依赖关系模型进行正向推理，获得终级依赖关系模型；
S4)通过初始化Qos模型对步骤S3)中得到的终级依赖关系模型进行n次模拟负载，对m次模拟负载后仍处于非活跃状态的服务器进行剔除更换或者问题排查，得到优化后的终级依赖关系模型；其中，n为大于或等于1的自然数，m为大于或等于1且小于或等于n的自然数；
S5)利用步骤S4)得到的优化后的终级依赖关系模型对不同服务器组进行均衡负载。
上述方法，在步骤S2)中，当服务请求选择服务器时依据Qos模型进行选择时：
a)当服务请求数量较大时，通过Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配时以服务器的性能作为评价主体对待负载服务器进行权重分配；其中，服务请求数量较大的判定依据服务器组内服务器的数量以及服务器的性能设定阈值，例如可以设定服务请求大于或等于5000个时，这种情况为服务请求数量为较大；
b)当服务请求数量较少时，通过Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配时以服务器的信用作为评价主体对待负载服务器进行权重分配。
上述方法，将Qos模型的属性分为性能层和信用层，性能层包含了服务器共有的影响QoS模型的因素，信用层包含了负载服务器的可信度属性。
上述方法，在步骤S5)中，每次对不同服务器的负载进行均衡前，均需通过功能分组的多层Qos模型对待负载服务器进行权重分配并对终级依赖关系模型进行优化。
上述方法，步骤S1)中所使用的Petri网为具有标识的Petri网。
上述方法，在步骤S2)中，在通过基于功能分组的多层Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配前，将位于初级依赖关系模型中的待负载服务器根据功能进行分组。
利用上述多服务器均衡负载方法进行服务器均衡负载的系统，包括：
服务请求模块，用于输入服务请求；
依赖关系模型构建模块，用于利用Petri网构建多服务器间的初级依赖关系模型；
服务器权重分配模块，用于通过基于功能分组的多层Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配；
依赖关系模型推理优化模块，用于利用FPN算法将初级依赖关系模型通过正反推理优化为终级依赖关系模型；
依赖关系模型模拟优化模块，用于通过初始化Qos模型对终级依赖关系模型进行优化；
负载管理模块，用于利用优化后的终级依赖关系模型根据服务请求选择服务器负载服务；
服务请求模块与依赖关系模型构建模块通信连接，依赖关系模型构建模块分别与服务器权重分配模块和依赖关系模型推理优化模块通信连接，服务器权重分配模块与依赖关系模型推理优化模块通信连接，依赖关系模型推理优化模块与依赖关系模型模拟优化模块通信连接，依赖关系模型推理优化模块与负载管理模块通信连接。
计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
计算机设备，包括可读存储介质、处理器以及存储在可读存储介质上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现上述方法。
本发明的技术方案取得了如下有益的技术效果：
通过以petri网构建模型，结合正反向推理算法，在原有算法基础上进行创新，实现了一种新型负载均衡算法，将其称之为PFN-负载模型，此模型不仅可以保留原有算法的高性能，还可实现对高可用性上的性能极大提升，解决了原有算法在高可用上的缺陷。
附图说明
图1为本发明中服务器均衡负载系统的工作原理图；
图2为多服务器均衡负载的流程图；
图3为基于变迁规则的Petri网基本模型；
图4为可进行服务器均衡负载的计算机设备原理图。
具体实施方式
下面结合示例，针对本发明进行进一步说明。
如图1所示，利用多服务器均衡负载方法进行服务器均衡负载的系统，包括服务请求模块、依赖关系模型构建模块、服务器权重分配模块、依赖关系模型推理优化模块、依赖关系模型模拟优化模块和负载管理模块，服务请求模块与依赖关系模型构建模块通信连接，依赖关系模型构建模块分别与服务器权重分配模块和依赖关系模型推理优化模块通信连接，服务器权重分配模块与依赖关系模型推理优化模块通信连接，依赖关系模型推理优化模块与依赖关系模型模拟优化模块通信连接，依赖关系模型推理优化模块与负载管理模块通信连接。
其中，服务请求模块，用于输入服务请求；依赖关系模型构建模块，用于利用Petri网构建多服务器间的初级依赖关系模型，Petri网为具有标识的Petri网；服务器权重分配模块，用于通过基于功能分组的多层Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配；依赖关系模型推理优化模块，用于利用FPN算法将初级依赖关系模型通过正反推理优化为终级依赖关系模型；依赖关系模型模拟优化模块，用于通过初始化Qos模型对终级依赖关系模型进行优化；负载管理模块，用于利用优化后的终级依赖关系模型根据服务请求选择服务器负载服务。
如图2所示，利用所述系统根据服务请求在同一个服务器组内进行服务器负载时，需要根据同一个服务器组内多个服务器的负载情况以及服务器自身的状况进行均衡负载，具体步骤为：
S1)利用Petri网构建多服务器间的初级依赖关系模型；
S2)通过基于功能分组的多层Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配；
S3)利用FPN算法对经步骤S2)处理后的初级依赖关系模型进行反向推理，获得中级依赖关系模型，再对中级依赖关系模型进行正向推理，获得终级依赖关系模型；
S4)通过初始化Qos模型对步骤S3)中得到的终级依赖关系模型进行n次模拟负载，对m次模拟负载后仍处于非活跃状态的服务器进行剔除更换或者问题排查，得到优化后的终级依赖关系模型；其中，n为大于或等于1的自然数，m为大于或等于1且小于或等于n的自然数；本实施例中，是对进行1000次模拟负载后仍处于非活跃状态的服务器进行剔除更换或者问题排查；
S5)利用步骤S4)得到的优化后的终级依赖关系模型对不同服务器组进行均衡负载。
其中，基本Petri网的三元组表示即为：N＝(P,T,F)。P、T、F分别代表了位置的集合、变迁的集合以及有向弧的集合。
一个基本的Petri网必须满足如下条件：
(1)
Figure BDA0004045468600000061
即P并T不为空集。
(2))
Figure BDA0004045468600000062
即P交T必须为空集，也就是P与T之间相互独立，彼此之间元素不关联。
(3))
Figure BDA0004045468600000063
即指有向弧F包括库所到变迁的有向弧以及变迁到库所的有向弧。
(4))dom(F)∪cod(F)＝P∪T
式中，
Figure BDA0004045468600000064
Figure BDA0004045468600000065
即对于任意的库所和变迁来说，都需要通过有向弧进行连接，不可单独存在。
为了便于对变迁触发规则进行更明确的说明并对其进行定义，在此对库所和变迁各自增加他们的前集和后集的概念。
前后集概念表示如下：
使用四元组表示一个具有标识的Petri网结构：PN＝(P,T；F,M)，设x∈(P∪T)，令
Figure BDA0004045468600000071
其中,·x即表示x的前集，又称x的输入集，x·代表x的后集，又称x的输出集。
变迁使能条件和产生条件如下：
(1)对于PN来说，当存在
Figure BDA0004045468600000072
时，即库所p内存在着标识且标识数目要求至少为1，则认为t在标识M处具备使能的条件，并记作M[t>。
(2)当满足了(1)中的条件时，则系统可以发生从M到M′的状态变化并记为M[t>M′，对于
Figure BDA0004045468600000073
Figure BDA0004045468600000074
式中，·t＝{y|y＝P∪T∧(y,t)∈F}，t·＝{y|y＝P∪T∧(t,y)∈F}。在发明中，使用圆圈代表库所并用P对其进行表示，使用矩形代表变迁并用T对其进行表示，黑色圆点代表标识，也就是token。图3即为PN中发生变迁前后的网结构状态图。
而对于多个用于负载服务的服务器来说，每个服务器都需要进行彼此间的调用操作，因此多个服务器之间存在着一定程度的关联性，由于关联性的存在，不同的服务器就会形成一张庞大的依赖关系网，把这张网用一张图来描述，又可称其为服务器依赖关系图，而将服务器依赖关系图转化为多服务器间的依赖关系模型便于在对不同服务器的负载进行均衡分配。本发明中使用伪代码的形式构建多服务器间的初级依赖关系模型，其中，伪代码如下：
Figure BDA0004045468600000081
/>
Figure BDA0004045468600000091
Figure BDA0004045468600000101
通过构建库所、变迁、令牌、对每个库所到变迁赋予加权处理以及对变迁启动赋予阈值来实现整个多服务器间的初级依赖关系模型的构建。
在步骤S2)中，当服务请求选择服务器时依据Qos模型进行选择时：
a)当服务请求数量较大时，通过Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配时以服务器的性能作为评价主体对待负载服务器进行权重分配；
b)当服务请求数量较少时，通过Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配时以服务器的信用作为评价主体对待负载服务器进行权重分配。
为了便于利用Qos模型对服务器进行权重分配，将Qos模型的属性分为性能层和信用层，性能层包含了服务器共有的影响Qos模型的因素，例如时间、费用、效率、可用性以及安全性等，信用层包含了负载服务器的可信度属性。在通过基于功能分组的多层Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配前，将位于初级依赖关系模型中的待负载服务器根据功能进行分组。其中，Qos模型也具有时间、费用、效率、可用性以及安全性等属性，Qos模型的这些属性与服务器的时间、费用、效率、可用性以及安全性等属性之间存在一定的相应映射关系，此映射关系可由用户根据实际使用情况进行自定义。
在步骤S3)中，利用FPN算法，先对多服务器间的初级依赖关系模型进行反向推理，并得到中级依赖关系模型，然后在对中级依赖关系模型进行正向推理，然后得到终级依赖关系模型，即为未剔除或更换掉非活跃状态服务器时的最优依赖关系模型。
其中，反向推理即指从某个问题的结论作为出发点并对此结果的正确性进行逐级验证推导，直至验证至该问题的初始条件。若在验证过程中出现上一级的条件无法对此结果提供有效的正确性时，则以此结果再做出发点，选择其他分支的上一级条件继续进行验证，直至验证至该问题的初始条件并结束。本发明中，提出一种基于FPN的反向推理算法，通过将反向推理与Petri网相结合的方式可以直观的看到推理过程，对推导过程中的正确性提供了保障。在此算法中，将多服务器间的初级依赖关系模型最终的输出库所作为推理的起始点，逐级向上进行推导，直至推导至初级依赖关系模型中的最开始的输入库所，算法结束。
虽然可以通过反向推理的方式为此初级依赖关系模型去除部分非活跃状态的服务器，但是仍有部分非活跃状态的服务器在中级依赖关系模型中，服务器的可信度也未参与计算当中。因此仍需通过正向推理的方式对此中级依赖关系模型进行进一步的优化。其中，反向推理和正向推理分别去除的是初级依赖关系模型和中级依赖关系模型中的非活跃状态的服务器，去除的是初级依赖关系模型和中级依赖关系模型中虚拟的服务器，。
正向推理与反向推理相反，它是从某个问题的初始条件作为出发点，根据初始条件逐级推出问题的最终结果。
而在步骤S5)中，每次对不同服务器的负载进行均衡前，均需通过功能分组的多层Qos模型对待负载服务器进行权重分配并对终级依赖关系模型进行优化。
本发明中的多层Qos模型是对Qos算法进行标准化处理并对不同的属性进行计算后得到，具体方法如下：
利用下述两个公式对Qos模型进行标准化，并以[0，1]作为阈值映射所有Qos模型的属性：
正指标：
Figure BDA0004045468600000121
负指标：
Figure BDA0004045468600000122
式中，Q表示Qos模型的单个属性，Qmax代表了在一组服务器中Qos模型同一个属性的最大值，Qmin代表了在一组服务器中Qos模型同一个属性的最小值。
在Qos模型中，不同的属性具有不同的权重，不同情况下，同一属性所占权重也不同。例如在Qos模型其余的属性保持良好时，服务器的可信度所占比重就比较大；而在有特殊事件发生时，用户则会关注服务器的执行时间或者费用，因此在利用Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配时应根据用户的喜好设置与每个Qos模型属性相匹配的权重，属性的权重越高则代表将用户更重视此属性。由于加权平均方法相对简单并且可以反映用户的喜好，因此它经常用于计算负载服务器的QoS属性值。其中，基于属性权重的评估方法的计算公式如下：
Figure BDA0004045468600000123
式中，wi为权重的比例，取值为[0，1]，w1+w2+...+wn＝1。
在对Qos模型的属性进行标准化以及对其使用加权平均法进行权重赋值之后，将对Qos模型进行如下综合计算：
性能层下的Qos模型计算：
本实施例中，以服务器的执行时间和可用性属性为例，对性能层的Qos模型计算进行说明。并需要将待负载的服务器进行Qos模型属性自定义初始化，将可用性Aini(i)赋予初始值，同时设置Ai＝0，Si＝0。Ai代表服务器被请求的总次数，Si代表服务器成功执行的次数。当服务器成功执行了一次服务请求时，系统内的监视器自动将Ai与Si各自加1，当负载服务器的执行时间过长时，系统会自动判定本次请求失败，在执行失败时，Ai加1，Si保持不变。通过多次对某个负载服务器进行调用，统计成功执行的次数并进行综合计算即可得出服务的可用性。因此若想获取到高可用性的负载服务器，必须将执行时间也考虑在Qos模型的可用性计算当中，下面给出组内服务i的Qosi的可用性的计算公式如下：
Figure BDA0004045468600000131
式中，ti表示服务器组内的第i个服务的执行时间总量，n代表为服务器组执行请求的总数量并且要求一个服务器组内至少存在1台服务器，即n≥1，wi表示权重的比例,1≤i≤n。
信用层下的QoS模型计算：
在信用层上，本实施例以可信度属性为例，并对可信度的计算提出了一种基于统计和权值配比的方法,以解决传统的基于统计方法所带来的波动问题，其中，对可信度的计算具体过程如下：
先对信息可信度向量进行定义。对服务器的每一个Qos模型信息都应该有一个标志其与真实服务质量信息相符程度的可信度，这样对于一个Qos模型信息向量来说就应该有一个可信度向量来与其对应。可信度向量用R(r1,r2,…,rn)来表示，其中,ri表示服务器中第i个Qos模型信息的可信度,1≤i≤n。
再对满足发布时Qos模型信息的服务的比例进行定义。在计算可信度的过程中，需要将负载服务器执行的总次数以及负载服务器成功执行的总次数进行统计，即统计性能层中的Ai和Si，p代表成功执行的比例，p的值越趋近于1，则说明该负载服务器的成功率越高，因此利用下式来计算p值：
Figure BDA0004045468600000141
式中，0≤Si≤Ai，1≤Ai。
在此基础上，对Qos综合可信度计算。
在进行Qos模型综合可信度计算时，需要考虑用户对Qos模型的要求多样性，部分用户注重单方面服务器的执行时间，还有部分请求者的侧重点在于整体的负载服务器质量，即对可信度的要求较高。因此对每个Qos模型属性的权重进行分配，将用户重视的属性赋予较高的权重比例，不重视的属性赋予较低的权重比例以满足不同用户的多样化需求。综合可信度通过下式计算得到：
Figure BDA0004045468600000142
式中，ri代表负载服务器第i个Qos模型信息的可信度；wi代表第i个Qos模型可信度的权值；R代表服务器综合可信度。
计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
计算机设备，包括可读存储介质、处理器以及存储在可读存储介质上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现上述方法。
基于上述多服务器负载均衡方法，相应的，本实例中还提供一种存储有计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现如下步骤：先利用Petri网构建一个多服务器间的初级依赖关系模型，再利用基于功能分组的多层Qos模型对初级依赖关系模型中的待负载服务器进行权重分配，然后利用FPN算法对初级依赖关系模型进行反向推理获得中级依赖关系模型，再进行正向推理并获得终级依赖关系模型，然后再通过初始化Qos模型对终级依赖关系模型多次模拟负载，并对多次模拟负载后仍处于非活跃状态的服务器进行剔除更换或者问题排查，得到优化后的终级依赖关系模型，然后利用优化后的终级依赖关系模型对不同服务器的负载进行均衡，以选取最合适的服务器进行负载。
如图4所示，基于上述多服务器负载均衡方法以及计算机可读存储介质，本实施例中，还提供了一种计算机设备，其包括可读存储介质、处理器以及存储在可读存储介质上并可在处理器上运行的计算机程序，其中可读存储介质与处理器均设置在总线上，处理器执行计算机程序时实现如下步骤：先利用Petri网构建一个多服务器间的初级依赖关系模型，再利用基于功能分组的多层Qos模型对初级依赖关系模型中的待负载服务器进行权重分配，然后利用FPN算法对初级依赖关系模型进行反向推理获得中级依赖关系模型，再进行正向推理并获得终级依赖关系模型，然后再通过初始化Qos模型对终级依赖关系模型多次模拟负载，并对多次模拟负载后仍处于非活跃状态的服务器进行剔除更换或者问题排查，得到优化后的终级依赖关系模型，然后利用优化后的终级依赖关系模型对不同服务器的负载进行均衡，以选取最合适的服务器进行负载。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本专利申请权利要求的保护范围之中。

Claims (10)

1.一种多服务器均衡负载方法，其特征在于，当在同一个服务器组内进行负载分配时，通过如下步骤实现均衡负载：
S1)利用Petri网构建多服务器间的初级依赖关系模型；
S2)通过基于功能分组的多层Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配；
S3)利用FPN算法对经步骤S2)处理后的初级依赖关系模型进行反向推理，获得中级依赖关系模型，再对中级依赖关系模型进行正向推理，获得终级依赖关系模型；
S4)通过初始化Qos模型对步骤S3)中得到的终级依赖关系模型进行n次模拟负载，对m次模拟负载后仍处于非活跃状态的服务器进行剔除更换或者问题排查，得到优化后的终级依赖关系模型；其中，n为大于或等于1的自然数，m为大于或等于1且小于或等于n的自然数；
S5)利用步骤S4)得到的优化后的终级依赖关系模型对不同服务器进行均衡负载。
2.根据权利要求1所述的方法，其特征在于，在步骤S2)中，当依据服务请求选择服务器进行负载后，依据Qos模型进行服务器选择时：
a)当服务请求数量较大时，通过Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配时以服务器的性能作为评价主体对待负载服务器进行权重分配；
b)当服务请求数量较少时，通过Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配时以服务器的信用作为评价主体对待负载服务器进行权重分配。
3.根据权利要求2所述的方法，其特征在于，将Qos模型的属性分为性能层和信用层，性能层包含了服务器共有的影响QoS模型的因素，信用层包含了负载服务器的可信度属性。
4.根据权利要求3所述的方法，其特征在于，在步骤S5)中，每次对不同服务器的负载进行均衡前，均需通过功能分组的多层Qos模型对待负载服务器进行权重分配并对终级依赖关系模型进行优化。
5.根据权利要求1所述的方法，其特征在于，步骤S1)中所使用的Petri网为具有标识的Petri网。
6.根据权利要求1～5任一所述的方法，其特征在于，在步骤S2)中，在通过基于功能分组的多层Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配前，将位于初级依赖关系模型中的待负载服务器根据功能进行分组。
7.利用权利要求1所述的多服务器均衡负载方法进行服务器均衡负载的系统，其特征在于，包括：
服务请求模块，用于输入服务请求；
依赖关系模型构建模块，用于利用Petri网构建多服务器间的初级依赖关系模型；
服务器权重分配模块，用于通过基于功能分组的多层Qos模型对位于初级依赖关系模型中的待负载服务器进行权重分配；
依赖关系模型推理优化模块，用于利用FPN算法将初级依赖关系模型通过正反推理优化为终级依赖关系模型；
依赖关系模型模拟优化模块，用于通过初始化Qos模型对终级依赖关系模型进行优化；
负载管理模块，用于利用优化后的终级依赖关系模型根据服务请求选择服务器负载服务；
服务请求模块与依赖关系模型构建模块通信连接，依赖关系模型构建模块分别与服务器权重分配模块和依赖关系模型推理优化模块通信连接，服务器权重分配模块与依赖关系模型推理优化模块通信连接，依赖关系模型推理优化模块与依赖关系模型模拟优化模块通信连接，依赖关系模型推理优化模块与负载管理模块通信连接。
8.根据权利要求7所述的系统，其特征在于，Petri网为具有标识的Petri网。
9.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～6中任一所述的方法。
10.计算机设备，包括可读存储介质、处理器以及存储在可读存储介质上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～6中任一所述的方法。
CN202310028070.7A 2023-01-09 2023-01-09 一种多服务器均衡负载方法、系统、介质及设备 Active CN116185614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310028070.7A CN116185614B (zh) 2023-01-09 2023-01-09 一种多服务器均衡负载方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310028070.7A CN116185614B (zh) 2023-01-09 2023-01-09 一种多服务器均衡负载方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN116185614A true CN116185614A (zh) 2023-05-30
CN116185614B CN116185614B (zh) 2024-04-05

Family

ID=86439648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310028070.7A Active CN116185614B (zh) 2023-01-09 2023-01-09 一种多服务器均衡负载方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN116185614B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140280952A1 (en) * 2013-03-15 2014-09-18 Advanced Elemental Technologies Purposeful computing
CN105474166A (zh) * 2013-03-15 2016-04-06 先进元素科技公司 用于有目的计算的方法和系统
CN108336725A (zh) * 2016-12-16 2018-07-27 泰豪软件股份有限公司 电网调度设备监控管理及智能分析系统
CN112379653A (zh) * 2020-12-01 2021-02-19 国能信控互联技术有限公司 一种基于微服务架构的智慧电厂管控系统
CN113723220A (zh) * 2021-08-11 2021-11-30 电子科技大学 基于大数据联邦学习架构下的深度伪造溯源系统
US20220374288A1 (en) * 2019-10-30 2022-11-24 Cerebras Systems Inc. Distributed placement of linear operators for accelerated deep learning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140280952A1 (en) * 2013-03-15 2014-09-18 Advanced Elemental Technologies Purposeful computing
CN105474166A (zh) * 2013-03-15 2016-04-06 先进元素科技公司 用于有目的计算的方法和系统
CN108336725A (zh) * 2016-12-16 2018-07-27 泰豪软件股份有限公司 电网调度设备监控管理及智能分析系统
US20220374288A1 (en) * 2019-10-30 2022-11-24 Cerebras Systems Inc. Distributed placement of linear operators for accelerated deep learning
CN112379653A (zh) * 2020-12-01 2021-02-19 国能信控互联技术有限公司 一种基于微服务架构的智慧电厂管控系统
CN113723220A (zh) * 2021-08-11 2021-11-30 电子科技大学 基于大数据联邦学习架构下的深度伪造溯源系统

Also Published As

Publication number Publication date
CN116185614B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN111614570B (zh) 一种用于服务网格的流量控制系统及方法
US8510747B2 (en) Method and device for implementing load balance of data center resources
US8719297B2 (en) System for managing data collection processes
JP2016197431A (ja) コミュニティ内の接続の決定
Zhao et al. A new multi-resource allocation mechanism: A tradeoff between fairness and efficiency in cloud computing
Singh et al. A bio-inspired virtual machine placement toward sustainable cloud resource management
WO2022100861A1 (en) Device and method for classifying input data
CN116185614B (zh) 一种多服务器均衡负载方法、系统、介质及设备
Imdoukh et al. Optimizing scheduling decisions of container management tool using many‐objective genetic algorithm
Kwon et al. Dynamic scheduling method for cooperative resource sharing in mobile cloud computing environments
Moghaddam et al. Federated policy management engine for reliable cloud computing
CN109871260B (zh) 一种基于容器间共享内存的多维度服务限流方法及系统
CN111415261A (zh) 银行系统的流控阈值动态更新的控制方法、系统和装置
CN116204293A (zh) 一种资源调度方法、装置、计算机设备以及存储介质
CN112000477B (zh) 一种pod中负载均衡的方法、装置、设备及介质
CN108279968A (zh) 一种虚拟机资源的调度方法及装置
CN113377866A (zh) 一种虚拟化数据库代理服务的负载均衡方法及装置
CN113364648A (zh) 流量控制方法、系统、装置、服务设备及存储介质
CN112363831A (zh) 风控处理方法、装置、计算机设备和存储介质
CN112346861A (zh) 资源分配方法、装置、设备和超融合系统
CN113783919A (zh) 访问请求分流方法、系统、设备及存储介质
CN110413410A (zh) 一种集群中资源管理的方法及装置
CN116455756B (zh) 基于行情推送及查询的带宽均衡方法、设备及介质
CN112559142B (zh) 容器的控制方法、装置、边缘计算系统、介质及设备
Zhao et al. A load balancing algorithm based on key-link and resources contribution degree for virtual optical networks mapping

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant