CN103491202B - 一种基于网络测量的dns节点选址方法 - Google Patents

Abstract

本发明涉及一种基于网络测量的DNS节点选址方法，该方法首先将DNS服务区域依用户的特征划分成若干用户区域，所述用户的特征优选为地理特征；然后测量各用户区域之间的网络时延，通过使用户的平均时延最小，得到最大效率的DNS节点选址方案；通过使用户的最大时延最小，得到最大公平的DNS节点选址方案；进而得到兼顾效率与公平的DNS节点选址方案。本发明基于实际互联网数据来优化DNS权威服务器的网络地址选择，建立了基于网络时延的DNS选址模型，并提供了模型求解方法，能够有效缩短解析时延，改善用户体验。

Description

一种基于网络测量的DNS节点选址方法

技术领域

本发明属于网络技术领域，具体涉及一种基于网络测量的DNS节点选址方法。

背景技术

随着互联网的不断发展和普及，域名的数量增长非常快，这给像CNNIC这样的顶级域域名解析服务提供者带来了越来越大的解析压力。例如，CNNIC的CN域名日均解析量高达16亿次。为了提升权威服务器的解析能力并缩短客户端的解析时延，CNNIC会将权威服务器部署到全国多个地点，以更贴近用户，提供更加优质的解析服务。

在部署权威服务器节点的过程中，有一个问题不容回避，那就是如何选择权威服务器节点的位置，以尽可能地缩短客户端与服务器之间的时延，从而提升DNS解析服务的用户体验。例如，如果将权威服务器部署在北京，那么北京用户（包括递归服务器和普通用户）的体验将比较好，因为北京用户与部署在北京的权威服务器之间的网络时延较小，从而可以提升用户的上网体验，例如，可以缩短用户打开一个网页时等待时间。同样，北京周边地区的用户（如河北用户、山西用户）与部署在北京的权威服务器之间的时延也会比较小。但离北京较远的用户（如云南、广东用户）与部署在北京的权威服务器之间网络时延较大，用户体验较差。中国有31个省份，如何从中选取合适的地点来部署权威服务器将成为进一步提升DNS解析服务质量的一个重要因素。这里，DNS节点是指一组DNS服务器集群的部署地点，但目前关于DNS节点的选址，目前还没有比较好的解决方案。

发明内容

本发明的目的是提供一种基于网络测量的DNS节点选址方法，基于实际互联网数据来优化DNS权威服务器的网络地址选择，以缩短解析时延，改善用户体验。

为实现上述目的，本发明采用如下技术方案：

一种基于网络测量的DNS节点选址方法，其步骤包括：

1）将DNS服务区域依用户的特征划分成若干用户区域；

2）测量各用户区域之间的网络时延，通过如下公式计算用户的平均时延：

$G=\{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\τ}}_{\mathrm{ij}}*u_i*x_i*c_{\mathrm{ij}})/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{u}_i\}$

$\mathrm{st}.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i=M,$

$\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{c}_{\mathrm{ij}}=1$

其中，G为用户的平均时延；N为用户区域的总数；M为计划部署的DNS节点总数；τ_ij为用户区域i与用户区域j之间的网络时延；u_i(1≤i≤N)为第i用户区域的用户数；

3）通过调节参数x_i和c_ij使用户的平均时延G最小，得到最大效率的DNS节点选址方案。

一种基于网络测量的DNS节点选址方法，其步骤包括：

1）将DNS服务区域依用户的特征划分成若干用户区域；

2）测量各用户区域之间的网络时延，通过如下公式计算用户的最大时延：

$F=\underset{1\≤i\≤N}{\max }\{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\τ}}_{\mathrm{ij}}*x_i*c_{\mathrm{ij}}\}$

$\mathrm{st}.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i=M$

$\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{c}_{\mathrm{ij}}=1,$

其中，F表示用户的最大时延，N为用户区域的总数；M为计划部署的DNS节点总数；τ_ij为用户区域i与用户区域j之间的网络时延；

3）通过调节参数x_i和c_ij使用户的最大时延F最小，得到最大公平的DNS节点选址方案。

一种基于网络测量的DNS节点选址方法，其步骤包括：

1）将DNS服务区域依用户的特征划分成若干用户区域；

2）测量各用户区域之间的网络时延，通过如下公式计算效用函数W：

$W=1-\frac{\sqrt{{(1-{\mathrm{AL}}_{\mathrm{norm}})}^2+{(1-{\mathrm{ML}}_{\mathrm{norm}})}^2}}{\sqrt{2}},$

${\mathrm{AL}}_{\mathrm{norm}}=\frac{\mathrm{AL}-{\mathrm{AL}}_{\min }}{{\mathrm{AL}}_{\max }-{\mathrm{AL}}_{\min }},$

${\mathrm{ML}}_{\mathrm{norm}}=\frac{\mathrm{ML}-{\mathrm{ML}}_{\min }}{{\mathrm{ML}}_{\max }-{\mathrm{ML}}_{\min }},$

其中，AL为平均时延，AL_norm为归一化平均时延，其取值范围为[0,1]；AL_min为平均时延的最小值；AL_max为平均时延的最大值；ML为最大时延，ML_norm为归一化最大时延，其取值范围为[0,1]；ML_min为最大时延的最小值；ML_max为最大时延的最大值；为平面坐标上点[AL_norm,ML_norm]与点[1,1]之间的距离；

3）通过最大化W得到兼顾效率与公平的DNS节点选址方案。

进一步地，使用模拟退火法求解最小的用户平均时延G，最小的用户最大时延F，以及效用函数W的最大值。

优选地，所述用户的特征为地理特征。

优选地，一个所述DNS节点部署一台或多台服务器。

优选地，采用下列方法中的一种测量所述网络时延：Ping命令、单向时延测量方法、双向时延测量方法。

在DNS节点的部署过程中，用户体验是部署DNS节点中应重点考虑的因素，但目前DNS节点的部署大多仅考虑QPS（Query Per Second，每秒查询次数），没有考虑影响用户体验的解析时延等因素。本发明针对这一问题进行了改进，建立了基于网络时延的DNS选址模型，并提供了模型求解方法，能够有效缩短解析时延，改善用户体验。

附图说明

图1是实施例中实现最大效率的DNS节点选址方案的步骤流程图。

图2是实施例中实现最大公平的DNS节点选址方案的步骤流程图。

图3是实施例中兼顾效率与公平的DNS节点选址方案的步骤流程图。

具体实施方式

下面通过具体实施例，并配合附图，对本发明做详细的说明。

在介绍具体的DNS节点的网络选址问题之前，先引入一组符号，以便于表述。

M：计划部署的DNS节点的总数。

S={s_j,1≤j≤M}：DNS节点集合。

N：用户区域的总数，以用户的地域特征（也可以为其它特征，本发明主要考虑地域特征）将用户进行划分。例如，可将中国用户依省份划分成31个用户组，每组内的用户属于同一省份。当然，也可以将用户组划分得更细，例如以市为基本单位。本发明主要考虑地域特征，但不以此为现在，也可以为其它特征，包括：用户所属的电信运营商特征，及不同的运营商对应不同的用户区域，以及运营商特征与地域特征的混合。例如，北京用户可划分为北京电信用户、北京联通用户、北京长城宽带用户，等等。

A={a_i,1≤i≤N}：用户区域集合。

u_i(¹≤i≤N)：第i用户区域的用户数。

τ_ij：用户区域i与用户区域j之间的网络时延，可以使用Ping命令测量这两个区域之间的网络时延。为保证测量的准确性，可以测量多次并取平均值。除Ping命令以外，还可以采用其它测量方法，包括：IETF RFC2679所规定的单向时延测量方法，RFC2681所规定的双向时延测量方法等。

为便于描述，再引入两个二进制变量x_i与c_ij，其定义如下：

本发明的核心在于：将一个DNS服务区域（其服务范围可为全球，也可为一个国家）依用户的特征（如地理特征）划分成N个用户区域。例如，可将中国这个大的服务区域划分成31个以省份为划分依据的用户区域，即每个用户区域中的用户都属于同一个省份。如果需部署的DNS节点的数目为M，则DNS节点的部署问题就转化为如何从N个用户区域中选择M个用户区域来部署这M个DNS节点，以使得所有用户的用户体验最好,其中每个用户区域部署一个服务器。这里，以客户端访问服务器的时延来评估用户体验。本发明中，一个DNS节点所部署服务器的台数可为单台，也可为多台。当为多台时，可将多台服务器视为一台“超级”服务器。

DNS节点的总数M有多种确定方法：1）事先给定；2）不事先给定，通过本发明所提供的模型，计算出不同M值所对应的系统性能，然后根据自己的需要选择所需的M值。一般而言，M越大，性能越好，但部署成本也越大。本发明可计算出不同M值对应的系统性能，从而可为决策提供关键依据。

通常情况下，M值是小于N的。如果M值大于等于N，那就相当于每个用户区域都能部署DNS节点，那就无所谓“选择”了。如果出现M大于N的情况，则说明用户区域的划分粒度太粗。例如，假设M为100，那么在中国就不能以省份来划分用户区域，因为那样的话N=31。此时可以以市为划分粒度，则N显然会大于100。

服务器部署位置的优化大体可分为两个方面：最大效率与最大公平。所谓最大效率，就是使每个区域的用户平均时延最小；所谓公平，就是最小化用户最大时延。最大效率的表达式如下所示：

$G=\{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\τ}}_{\mathrm{ij}}*u_i*x_i*c_{\mathrm{ij}})/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{u}_i\}$

$\mathrm{st}.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i=M---\left(1\right)$

$\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{c}_{\mathrm{ij}}=1$

优化目标：通过调节参数x_i和c_ij来最小化G，其中G为用户的平均时延。上式中第一个约束条件表示DNS节点的总数为M个；第二个约束条件表示每个用户只从一个DNS节点那里下载数据。得到最小的平均时延G后，即得到最大效率的DNS节点选址方案，如图1所示。

最大公平的表达式如下所示：

$F=\underset{1\≤i\≤N}{\max }\{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\τ}}_{\mathrm{ij}}*x_i*c_{\mathrm{ij}}\}$

$\mathrm{st}.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i=M---\left(2\right)$

$\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{c}_{\mathrm{ij}}=1$

优化目标：通过调节参数x_i和c_ij来最小化F，其中F表示用户的最大时延。得到最小F后，即得到最大公平的DNS节点选址方案，如图2所示。

上面公式(1)和(2)可以采用多种方法进行求解，如模拟退火法、蚁群算法等。下面以模拟退火法为例说明上述公式的求解过程。

使用模拟退火法（参见文献1：Ingber L.Simulated annealing:Practice versustheory[J].Mathematical and computer modelling,1993,18(11):29-57；文献2：http://baike.baidu.com/view/1352237.htm）对上述式(1)进行求解，具体步骤如下：

设置系统温度T（系统初始应该要处于一个高温的状态）、温度下限T_min、降温系数r（用于控制降温的快慢）。设第i次循环时系统中用户的平均时延为AL_i，则算法流程如下：

初始化：假定第K次循环时，用户区域集A={a_i,1≤i≤N}被划分成M个非空子集，即 ${\mathrm{\Ω}}^k=\{{\mathrm{\Ω}}_1^k,{\mathrm{\Ω}}_2^k,{\mathrm{\Ω}}_3^k,...,{\mathrm{\Ω}}_M^k\},$ 其中 ${\mathrm{\Ω}}_i^k(1\≤i\≤M)\⊆A$ 且

1)判断系统温度T是否小于最低温度T_min，如果是，则退出，否者转到步骤2)。

2)从Ω^k中随机选择两个集合，记为和从中随机挑选一个用户区域并将其放到集合中。这样就得到了第（k+1）次循环中对用户区域集的最新划分Ω^k+1，其中且显然，对于任意一个划分其必然包含若干个用户区域以及一个DNS节点。此时，需重新调整DNS节点的位置，以使得该划分内的平均时延最小，调整方法可采用普通的枚举即可。等所有的调整完成以后，计算出第（i+1）次循环所得到的用户平均时延AL_i+1。然后计算相邻两次循环中用户平均时延的差值，即dE=AL_i-AL_i+1。如果dE大于零，即系统的平均时延减小了，则接受当前划分Ω^k+1为最新结果，然后转到步骤4）；否者则说明系统的平均时延增大了，转到步骤3）。

3)如果exp(dE/T)大于random(0,1)，则接受当前划分Ω^k+1为最新结果，即以一定的概率接受一个较差的结果，以避免最终结果陷入局部最优；如果exp(dE/T)小于random(0,1)，则不接受最新划分Ω^k+1，当前结果依然为Ω^k。然后转到步骤4）。

4)降低温度，即T=r*T，转到步骤1）。由步骤1）判断循环何时结束。执行结束后得到的结果就是“最大效率”，即平均时延最小的服务器选址方案。

使用模拟退火法对上述式(2)进行求解步骤与求解式(1)的类似，具体如下：

设置系统温度T（系统初始应该要处于一个高温的状态）、温度下限T_min、降温系数r（用于控制降温的快慢）。设第i次循环时系统中用户的最大时延为ML_i，则算法流程如下：

初始化：假定第K次循环时，用户区域集A={a_i,1≤i≤N}被划分成M个非空子集，即 ${\mathrm{\Ω}}^k=\{{\mathrm{\Ω}}_1^k,{\mathrm{\Ω}}_2^k,{\mathrm{\Ω}}_3^k,...,{\mathrm{\Ω}}_M^k\},$ 其中 ${\mathrm{\Ω}}_i^k(1\≤i\≤M)\⊆A$ 且

1)判断系统温度T是否小于最低温度T_min，如果是，则退出，否者转到步骤2)。

2)从Ω^k中随机选择两个集合，记为和从中随机挑选一个用户区域并将其放到集合中。这样就得到了第（k+1）次循环中对用户区域集的最新划分Ω^k+1，其中且显然，对于任意一个划分其必然包含若干个用户区域以及一个DNS节点。此时，需重新调整DNS节点的位置，以使得该划分内的用户最大时延最小，调整方法可采用普通的枚举即可。等所有的调整完成以后，计算出第（i+1）次循环所得到的用户最大时延ML_i+1。然后计算相邻两次循环中用户最大时延的差值，即dE=ML_i-ML_i+1。如果dE大于零，即系统的最大时延减小了，则接受当前划分Ω^k+1为最新结果，然后转到步骤4）；否者则说明系统的最大时延增大了，转到3）。

3）如果exp(dE/T)大于random(0,1)，则接受当前划分Ω^k+1为最新结果，即以一定的概率接受一个较差的结果，以避免最终结果陷入局部最优；如果exp(dE/T)小于random(0,1)，则不接受最新划分Ω^k+1，当前结果依然为Ω^k。然后转到步骤4）。

4）降低温度，即T=r*T，转到步骤1）。

也就是说，求解式(1)和式(2)的差别在于：式(1)是针对用户的平均时延做优化；而式(2)是针对用户的最大时延做优化。

以上分别说明了实现最大效率和最大公平的优化方案。下面说明兼顾效率与公平的方案。为便于说明，首先引入部分符号，具体如表1所示：

表1.符号含义列表

符号	含义
		AL	平均时延
ALnorm	归一化平均时延，其取值范围为[0,1]
		ALmin	平均时延的最小值
ALmax	平均时延的最大值
		ML	最大时延
MLnorm	归一化最大时延，其取值范围为[0,1]
		MLmin	最大时延的最小值
MLmax	最大时延的最大值

则有

${\mathrm{AL}}_{\mathrm{norm}}=\frac{\mathrm{AL}-{\mathrm{AL}}_{\min }}{{\mathrm{AL}}_{\max }-{\mathrm{AL}}_{\min }}---\left(3\right)$

${\mathrm{ML}}_{\mathrm{norm}}=\frac{\mathrm{ML}-{\mathrm{ML}}_{\min }}{{\mathrm{ML}}_{\max }-{\mathrm{ML}}_{\min }}---\left(4\right)$

接着，定义一个效用函数W=f(AL_norm,ML_norm)，且

$W=1-\frac{\sqrt{{(1-{\mathrm{AL}}_{\mathrm{norm}})}^2+{(1-{\mathrm{ML}}_{\mathrm{norm}})}^2}}{\sqrt{2}}---\left(5\right)$

通过式（5），就将双目标优化问题转化为单目标优化问题。在式（5）中，为平面坐标上点[AL_norm,ML_norm]与点[1,1]之间的距离。W的取值介于0与1之间，W是AL_norm与ML_norm的增函数，现在的优化目标变为：最大化W。得到最大化W后，即得到兼顾效率与公平的方案的DNS节点选址方案，如图3所示。相应的优化算法与最大效率或最大公平类似，具体如下：

初始化：假定第K次循环时，用户区域集A={a_i,1≤i≤N}被划分成M个非空子集，即 ${\mathrm{\Ω}}^k=\{{\mathrm{\Ω}}_1^k,{\mathrm{\Ω}}_2^k,{\mathrm{\Ω}}_3^k,...,{\mathrm{\Ω}}_M^k\},$ 其中 ${\mathrm{\Ω}}_i^k(1\≤i\≤M)\⊆A$ 且

1）判断系统温度T是否小于最低温度T_min，如果是，则退出，否者转到步骤2)。

2）从Ω^k中随机选择两个集合，记为和从中随机挑选一个用户区域并将其放到集合中。这样就得到了第（k+1）次循环中对用户区域集的最新划分Ω^k+1，其中且显然，对于任意一个划分其必然包含若干个用户区域以及一个DNS节点。此时，需重新调整DNS节点的位置，以使得该划分内的W值最小，调整方法可采用普通的枚举即可。等所有的调整完成以后，计算出第（i+1）次循环所得到的系统W值。

然后计算相邻两次循环中系统W值的差值，即dE=W_i-W_i+1。如果dE大于零，即系统的性能变好了，则接受当前划分Ω^k+1为最新结果，然后转到步骤4）；否者则说明系统的性能变差了，转到3）。

3）如果exp(dE/T)大于random(0,1)，则接受当前划分Ω^k+1为最新结果，即以一定的概率接受一个较差的结果，以避免最终结果陷入局部最优；否则则不接受最新划分Ω^k+1，当前结果依然为Ω^k。然后转到步骤4）。

4）降低温度，即T=r*T，转到步骤1）。

下面以实际例子来说明上述DNS节点选择方法的实现过程。

首先对实际网络的时延进行测量。本实例中对全国21个省份的用户网络时延状况进行了测量，测量方法为：随机在各个省份挑选一批用户，去Ping部署在不同省份的服务器（包括本省和其它省份的服务器），记录下这些用户的网络时延，记τ_ij为省份i的用户访问部署在省份j中的服务器的时延。对τ_ij进行多次测量并取其平均值作为最终结果，最终可得到一个21×21的矩阵，其中该矩证的第i行第j列就代表省份i的用户访问省份j的服务器时的平均时延，该矩阵如下所示：

{33,53,65,66,48,75,65,74,44,45,45,56,84,76,69,26,39,23,41,53,32},

{54,44,78,73,48,62,64,139,67,64,73,73,61,64,61,55,63,72,79,76,81},

{49,78,47,50,72,87,103,103,59,58,62,72,149,86,88,79,51,98,80,58,87},

{102,98,86,64,95,96,94,117,109,87,92,98,113,104,106,227,114,46,182,86,88},

{-,73,78,48,38,78,97,104,60,86,70,72,85,77,79,49,71,61,80,68,72},

{-,58,94,98,148,49,69,79,121,120,98,42,55,70,75,84,83,110,121,98,143},

{87,57,72,86,72,65,34,123,64,64,75,71,66,65,67,75,84,102,115,78,133},

{-,51,149,89,132,53,76,42,83,128,84,178,77,82,88,67,76,102,112,90,105},

{42,50,147,66,52,57,59,74,42,49,53,60,65,69,66,72,54,73,79,58,38},

{20,70,61,56,82,75,87,98,56,41,65,63,84,72,76,145,66,76,183,67,97},

{24,46,44,50,346,59,57,68,38,95,29,39,61,36,59,120,29,59,126,38,118},

{-,60,53,66,-,78,69,101,44,57,43,34,90,84,79,-,38,39,-,47,-},

{-,59,213,99,48,62,73,91,103,87,104,280,41,77,67,79,85,129,168,108,234},

{-,58,265,106,44,43,47,38,85,122,75,91,43,29,49,62,62,106,100,71,107},

{-,55,178,75,54,83,88,140,66,111,71,67,74,74,43,37,71,67,82,77,91},

{-,44,68,64,62,61,59,69,72,77,60,88,63,65,63,28,72,53,63,58,56},

{36,51,52,57,110,60,57,72,67,96,42,53,64,63,60,137,33,33,58,41,122},

{62,69,53,85,39,76,72,82,55,50,89,89,75,76,74,22,92,50,67,87,58},

{-,101,117,75,204,104,118,123,189,182,93,93,120,100,107,84,97,68,47,93,70},

{35,62,52,57,109,74,72,84,55,60,49,48,70,52,68,50,36,55,80,47,121},

{-,86,41,78,44,90,88,100,86,58,82,103,104,90,91,76,101,61,79,104,74}

在上述矩阵中，“-”代表相应的数据缺失，由于这类数据量非常小，不会对方法的精度产生大的影响。同时，算法的参数设置如下：系统温度T的初始值为20；最低温度为：0.00000001；降温系数r为：0.9995。所得结果如表2所示。最大公平和最大效率是两种不同的节点部署策略，其结果是不同的，最终哪种方案被选择可以由用户自行依据自己的实际需求来决定，当然，用户也可以选择兼顾效率与公平的方案。

表2.DNS节点的选址结果列表

以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求所述为准。

Claims (9)

1.一种基于网络测量的DNS节点选址方法，其步骤包括：

1)将DNS服务区域依用户的特征划分成若干用户区域；所述用户的特征为地理特征；

2)测量各用户区域之间的网络时延，通过如下公式计算用户的平均时延：

$\begin{array}{c}G=\left\{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left({\mathrm{\τ}}_{ij}*u_i*x_i*c_{ij}\right)/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{u}_i\right\}\\ \begin{array}{cc}st.& \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i=M\\ & \underset{j=1}{\overset{N}{\mathrm{\Σ}}}{c}_{ij}=1\end{array}\end{array},$

其中，G为用户的平均时延；N为用户区域的总数；M为计划部署的DNS节点总数；τ_ij为用户区域i与用户区域j之间的网络时延；u_i(1≤i≤N)为第i用户区域的用户数；

3)通过调节参数x_i和c_ij使用户的平均时延G最小，得到最大效率的DNS节点选址方案。

2.如权利要求1所述的方法，其特征在于：使用模拟退火法或者蚁群算法求解最小的用户平均时延G。

3.一种基于网络测量的DNS节点选址方法，其步骤包括：

1)将DNS服务区域依用户的特征划分成若干用户区域；所述用户的特征为地理特征；

2)测量各用户区域之间的网络时延，通过如下公式计算用户的最大时延：

$F=\underset{1\≤i\≤N}{max}\{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\τ}}_{ij}*x_i*c_{ij}\}$

$\begin{array}{cc}st.& \underset{i=1}{\overset{N}{\Σ}}{x}_i=M\end{array}$

$\underset{j=1}{\overset{N}{\Σ}}{c}_{ij}=1,$

其中，F表示用户的最大时延，N为用户区域的总数；M为计划部署的DNS节点总数；τ_ij为用户区域i与用户区域j之间的网络时延；

3)通过调节参数x_i和c_ij使用户的最大时延F最小，得到最大公平的DNS节点选址方案。

4.如权利要求3所述的方法，其特征在于：使用模拟退火法或者蚁群算法求解最小的用户最大时延F。

5.一种基于网络测量的DNS节点选址方法，其步骤包括：

1)将DNS服务区域依用户的特征划分成若干用户区域；所述用户的特征为地理特征；

2)测量各用户区域之间的网络时延，通过如下公式计算效用函数W：

$W=1-\frac{\sqrt{{(1-{\mathrm{AL}}_{norm})}^2+{(1-{\mathrm{ML}}_{norm})}^2}}{\sqrt{2}},$

${\mathrm{AL}}_{norm}=\frac{AL-{\mathrm{AL}}_{min}}{{\mathrm{AL}}_{max}-{\mathrm{AL}}_{min}},$

${\mathrm{ML}}_{norm}=\frac{ML-{\mathrm{ML}}_{min}}{{\mathrm{ML}}_{max}-{\mathrm{ML}}_{\min }},$

其中，AL为平均时延，即权利要求1所述的平均时延，AL_norm为归一化平均时延，其取值范围为[0,1]；AL_min为平均时延的最小值；AL_max为平均时延的最大值；ML为最大时延，即权利要求3所述的最大时延，ML_norm为归一化最大时延，其取值范围为[0,1]；ML_min为最大时延的最小值；ML_max为最大时延的最大值；为平面坐标上点[AL_norm,ML_norm]与点[1,1]之间的距离；

3)通过最大化W得到兼顾效率与公平的DNS节点选址方案。

6.如权利要求5所述的方法，其特征在于：使用模拟退火法或者蚁群算法求解效用函数W的最大值。

7.如权利要求1或3或5所述的方法，其特征在于：一个所述DNS节点部署一台或多台服务器。

8.如权利要求1或3或5所述的方法，其特征在于，采用下列方法中的一种测量所述网络时延：Ping命令、单向时延测量方法、双向时延测量方法。

9.如权利要求1或3所述的方法，其特征在于，DNS节点的总数M采用下列方式之一确定：1)事先给定；2)计算不同M值所对应的系统性能，然后根据需要选择所需的M值。