CN106385468B - Web集群的可预测动态负载均衡方法 - Google Patents

Web集群的可预测动态负载均衡方法 Download PDF

Info

Publication number
CN106385468B
CN106385468B CN201611118242.6A CN201611118242A CN106385468B CN 106385468 B CN106385468 B CN 106385468B CN 201611118242 A CN201611118242 A CN 201611118242A CN 106385468 B CN106385468 B CN 106385468B
Authority
CN
China
Prior art keywords
node
value
cpu
load
service
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.)
Active
Application number
CN201611118242.6A
Other languages
English (en)
Other versions
CN106385468A (zh
Inventor
李青山
褚华
刘昊贤
寇苗娟
穆传鑫
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201611118242.6A priority Critical patent/CN106385468B/zh
Publication of CN106385468A publication Critical patent/CN106385468A/zh
Application granted granted Critical
Publication of CN106385468B publication Critical patent/CN106385468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种Web集群的可预测动态负载均衡方法，主要解决现有技术中仅按照节点实时负载大小进行节点选取，造成集群在一段时间内负载效果不佳的问题。其实现步骤是，1)负载均衡服务接收来自App应用的请求，判断负载均衡服务是否已经初始化，若是，执行步骤2)，否则，初始化负载均衡服务；2)选取负载均衡策略，判断所有节点的当前能力评估值是否超过阈值，若是，则执行步骤3)，否则，进行静态负载均衡调度，完成最终服务节点的选取；3)计算各个节点能力评估值，并计算各个节点能力预测值，完成选取最终服务节点的选取。本发明提高了Web集群系统的负载均衡效果，可应用于Web集群中面向海量用户访问。

Description

Web集群的可预测动态负载均衡方法
技术领域：
本发明属于互联网技术领域，特别涉及一种负载均衡方法，可应用于Web集群中面向海量用户访问。
背景技术：
随着互联网的快速发展，对于具有海量用户的Web复杂应用，不仅要保证功能完善，还要在面对海量用户访问时，系统性能上做最好最优的设计，给用户提供轻便、快捷的体验。为了解决同一时刻海量用户访问Web集群造成的单节点负载不均、负载效果不佳等问题，Web集群负载均衡相关技术被提出：通过开源负载均衡器，配置各个服务节点的静态能力处理权值，然后按照这个权值大小进行节点选择；通过获取实时负载信息，按照各个服务节点的实时负载情况进行任务分配。
浪潮电子信息产业股份有限公司申请的专利“一种基于Apache、MOD_JK、Tomcat负载均衡实现方式”(专利申请号：201510533838.1，公布号CN105227630A)公开了一种方法。该方法通过采用Apache作为负载服务器，MOD_JK作为负载均调度模块，静态配置服务节点的性能，Tomcat作为Web应用服务器部署应用程序，实现负载均衡方法。该方法存在的不足是：仅仅考虑了静态服务节点的能力处理，无法动态反映Web集群的实时负载变化，容易在系统运行时造成部分节点负载空载情况。
西安电子科技大学宁波信息技术研究院申请的专利“一种服务器集群的动态负载均衡架构及其使用方法”(专利申请号：201310557825.9，公布号CN103581039A)公开了一种方法。该方法通过在集群中动态获取各个服务节点的CPU占用率负载信息，动态的增加或减少服务虚拟机的个数，从而达到集群负载均衡的效果。该方法存在不足是：将CPU的使用率作为负载信息的唯一指标，并没有考虑内存使用率、磁盘使用率等负载信息；仅仅按照实时负载大小进行节点选取，而没有考虑节点本身的硬件处理能力以及整个集群负载均衡在一段时间内负载效果最佳；每次选取节点都需要获取所有节点负载信息，没有考虑集群中负载收集通信带来的额外开销。
发明内容：
本发明的目的在于针对上述已有技术的不足，提出一种面向Web集群的可预测动态负载均衡的方法，以减少系统初期动态负载信息的通信开销，使得集群负载均衡效果更佳。
本发明的整体思路是：通过配置服务器节点的硬件处理能力信息，实时收集节点的负载情况，计算服务节点处理能力评估值和能力预测值，并生成能力评价矩阵，然后选取能力值最大的节点作为候选节点，并通过节点预测值大小进行候选节点的选取与否，使得Web集群系统的负载均衡在一段时间内的效果达到最佳，其实现步骤包括如下：
1)对于来自App应用的一次请求，负载均衡器接受该请求，判断负载均衡服务是否已经初始化，若是，跳转到步骤3)，否则，执行步骤2)；
2)初始化负载均衡服务：
2a)读取服务节点配置文件，其中包括节点的ID、IP、CPU、内存、硬盘性能比值和性能占比，并对这些配置文件的值进行加权平均，计算各个节点的静态能力值P(i)，其中，i的取值为1到N，N为集群中服务节点总个数；
2b)先将2a)得到的各个节点的静态能力值扩大100倍，并对其计算结果取整数，得到各个节点的轮询权值W；再将2a)得到的各个节点的静态能力值扩大1000倍，得到各个节点的初始能力评估值A0；
2c)定义负载均衡服务处理一次客户端请求的时间为一个单位时刻，设t0为当前时刻，离t0时刻最近的过去四个时刻依次为t-1、t-2、t-3、t-4，对于任意节点i，当前时刻节点i的能力评估值为A0(i)；节点i对应的过去四个时刻的能力评估值分别为A-1(i)、A-2(i)、A-3(i)、A-4(i)，设置节点过去的四个时刻能力评估值的大小为A0，即A-1(i)＝A-2(i)＝A-3(i)＝A-4(i)＝A0；
2d)用各个节点的ID、W、A0(i)以及过去四个时刻的能力评估值构成能力评估矩阵M，完成负载均衡服务初始化；
3)将各个节点的静态能力值P扩大4倍，得到各个节点的阈值Y，判断所有节点的当前时刻能力评估值是否超过Y，若是，执行步骤4)，否则，执行步骤5)；
4)静态负载调度：
4a)读取能力评估矩阵中的所有节点的轮询权值，选取轮询权值最大的节点作为服务节点，将步骤1)中的客户端请求提交到服务节点；每次被选中的服务节点轮询权值将减少1，当所有节点的轮询权值都变成0时，返回步骤2)；
4b)采用能力评估计算方法，离线计算所有节点的能力评估值，更新能力评估矩阵；
5)计算节点能力评估值：
5a)获取各个节点的负载信息，包括CPU使用率、内存使用率、硬盘IO率以及连接所占比，通过加权平均的方式，计算各个节点的负载值L(i)；
5b)根据各个节点的负载值L(i)和节点静态能力值P(i)，计算各个节点的能力评估值：其中，K为比例系数且K＞0，为了方便表示，取K值为1；
5c)从能力评估矩阵M中读取各个节点的A0(i)、A-1(i)、A-2(i)、A-3(i)、A-4(i)值，再给A-4(i)赋值为A-3(i)，A-3(i)赋值为A-2(i)，A-1(i)赋值为A0(i)，将步骤5b)得到的能力评估值A(i)赋值给A0(i)，完成能力评估矩阵M的更新，得到更新后的能力评估矩阵为M′；
6)从更新后的能力评估矩阵M'中读取各个节点的A0(i)、A-1(i)、A-2(i)、A-3(i)、A-4(i)的值，计算各节点的能力预测值，A'(i)＝α0A0(i)+α1A-1(i)+α2A-2(i)+α3A-3(i)+α4A-4(i)，其中，α0、α-1、α-2、α-3、α-4为不同时刻能力评估值对当前预测值的影响因子，且α0+α-1+α-2+α-3+α-4＝1；
7)根据步骤5)和步骤6)的计算结果，在所有节点中，选取能力评估值最大的节点i，若节点i的能力预测值最小，则选取能力评估值第二大的节点j为最终服务节点，否则，选取节点i为最终服务节点，将步骤1)的客户端的请求提交到选取的最终服务节点。
本发明与现有的技术相比具有以下优点：
1.本发明采取“动静”结合负载均衡策略，通过设定相应的负载阈值，来采取不同的负载均衡策略，即当所有节点能力值超过阈值时，采用基于权重的负载均衡策略，当某一节点的能力值低于阈值时，采取动态负载均衡策略，减少了Web集群在运行初期收集负载信息带来的额外通信开销。
2.本发明通过收集节点CPU使用率、内存使用率、硬盘IO率以及Web系统特有的连接所占比，更加全面的收集节点运行时负载信息，并结合服务节点自身的处理能力，提出服务节点能力评估模型，解决了现有技术仅仅按照节点负载信息大小进行节点选取，而忽略节点本身硬件处理能力大小的问题。
3.本发明在Web集群系统当前的负载情况受前一段时刻系统负载情况影响下，提出合理的预测模型，即选取能力评估值最大的节点作为候选节点后，通过计算所有节点的预测值，进行最终节点的选取与否，解决了现有技术只考虑当前时刻集群负载情况，而忽略集群在一段时间内的负载均衡效果的问题。
附图说明
图1是本发明的系统框图；
图2是本发明的实现流程图；
图3是本发明中的服务节点配置信息图。
具体实施方式
下面结合附图对本发明的步骤作进一步的详细描述。
参照图1所示的系统框图，其为一个由App应用、负载均衡服务以及服务器集群组成的负载均衡系统，该系统在工作时先由App应用向负载均衡服务发送请求，然后负载均衡服务接收该请求，并通过负载均衡策略，选取最合适的服务节点，最后将该请求提交给最终选取的服务节点。
所述的App应用，是指本发明在Android系统中开发的一个手机App。
参照图2，本发明的实现步骤如下：
步骤1：接收请求。
App应用的向负载均衡服务发送一次请求，负载均衡器接受该请求，并判断负载均衡服务是否已经初始化，若是，跳转到步骤3，否则，执行步骤2；
步骤2：初始化负载均衡服务。
2.1)读取图3所示的节点配置信息，该配置信息包括节点的ID、IP、CPU、内存、硬盘性能比值和性能占比，并对这些配置信息的值，按照下式，计算各个节点的静态能力值P(i)：
P(i)＝CPUp(i)×cpuc(i)+MEMp(i)×memc(i)+DISKp(i)×diskc(i)，
其中cpuc(i)、memc(i)、diskc(i)分别表示CPU、内存、磁盘性能在静态能力值上的权重，且cpuc(i)+memoryc(i)+diskc(i)＝1；CPUp(i)、MEMp(i)、DISKp(i)分别表示节点i在CPU、内存、硬盘性能中的梯度值，取值范围为0～1，i的取值为1～N，N为服务节点总个数；
2.2)将各个节点的静态能力值扩大100倍，并对其计算结果取整数，得到各个节点的轮询权值W，再将各个节点的静态能力值扩大1000倍，得到各个节点的初始能力评估值A0；
2.3)设t0为当前时刻，离t0时刻最近的过去四个时刻依次为t-1、t-2、t-3、t-4；对于任意节点i，设其在当前时刻的能力评估值为A0(i)，在过去四个时刻的能力评估值分别为A-1(i)、A-2(i)、A-3(i)、A-4(i)；设置节点过去的四个时刻能力评估值的大小为A0，即A-1(i)＝A-2(i)＝A-3(i)＝A-4(i)＝A0；
2.4)用各个节点的ID、W、A0(i)以及过去四个时刻的能力评估值构成能力评估矩阵M：
其中，ID(i)表示节点i的编号，W(i)为轮询权值，A0(i)为当前时刻能力评估值，A-1(i)、A-2(i)、A-3(i)、A-4(i)分别为过去四个时刻的能力评估值，i的取值为1～N，N为服务节点总个数；能力评估矩阵M构成后，即完成了负载均衡服务初始化。
步骤3：选取负载均衡策略。
将各个节点的静态能力值P扩大4倍，得到各个节点的阈值Y，判断所有节点的当前时刻能力评估值是否超过Y，若是，执行步骤4，否则，执行步骤5；
步骤4：静态负载调度。
4.1)读取能力评估矩阵中的所有节点的轮询权值，选取轮询权值最大的节点作为服务节点，将步骤1中的App应用请求提交到所选中的节点；
4.2)对每次被选中的节点轮询权值减少1，当所有节点的轮询权值都变成0时，返回步骤2)；
4.3)离线获取各个节点的负载信息，包括CPU使用率、内存使用率、硬盘IO率以及连接所占比，将这些负载信息，按照如下公式，计算各个节点的负载值L(i)：
L(i)＝CPUu(i)×cpuuc(i)+MEMu(i)×memuc(i)
+DISKu(i)×diskuc(i)+LINKu(i)×linkuc(i)，
其中，cpuuc(i)、memuc(i)、diskuc(i)、linkuc(i)分别表示CPU使用率、内存使率、磁盘IO率以及连接所占比在负载值中的权重，且cpuuc(i)+memuc(i)+diskuc(i)+linkuc(i)＝1；CPUu(i)、MEMu(i)、DISKu(i)、LINKu(i)分别表示CPU使用率、内存使用率、硬盘I率以及连接所占比的值，取值均为0～1，i的取值为1～N，N为服务节点总个数；
4.4)根据各个节点的负载值L(i)和节点静态能力值P(i)，按照如下公式，计算各个节点的能力评估值A(i)：
其中，K为比例系数且K＞0，为了方便表示，取K值为1；
4.5)从能力评估矩阵M中读取各个节点的A0(i)、A-1(i)、A-2(i)、A-3(i)、A-4(i)值，再依次给A'-4(i)赋值为A-3(i)，给A'-3(i)赋值为A-2(i)，给A'-2(i)赋值为A-1(i)，A'-1(i)赋值为A0(i)，并将步骤4.4)得到的能力评估值A(i)赋值给A'0(i)，完成能力评估矩阵M的更新，得到更新后的能力评估矩阵为M'：
其中，ID(i)表示节点i的编号，W(i)为轮询权值，A'0(i)为当前时刻能力评估值，A'-1(i)、A'-2(i)、A'-3(i)、A'-4(i)分别为评估评估矩阵M中的A0(i)、A-1(i)、A-2(i)、A-3(i)，i的取值为1～N，N为服务节点总个数。
步骤5：计算节点能力评估值。
5.1)获取各个节点的负载信息，包括CPU使用率、内存使用率、硬盘IO率以及连接所占比，将这些负载信息，按照如下公式，计算各个节点的负载值L(i)：
L(i)＝CPUu(i)×cpuuc(i)+MEMu(i)×memuc(i)
+DISKu(i)×diskuc(i)+LINKu(i)×linkuc(i)
其中，cpuuc(i)、memuc(i)、diskuc(i)、linkuc(i)分别表示CPU使用率、内存使率、磁盘IO率以及连接所占比在负载值中的权重，且cpuuc(i)+memuc(i)+diskuc(i)+linkuc(i)＝1；CPUu(i)、MEMu(i)、DISKu(i)、LINKu(i)分别表示CPU使用率、内存使用率、硬盘IO率以及连接所占比的值，取值均为0～1，i的取值为1～N，N为服务节点总个数；
5.2)根据各个节点的负载值L(i)和节点静态能力值P(i)，计算各个节点的能力评估值A(i)：
其中，K为比例系数，且K＞0，为了方便表示，取K值为1；
5.3)从能力评估矩阵M中读取各个节点的A0(i)、A-1(i)、A-2(i)、A-3(i)、A-4(i)值，再依次给A'-4(i)赋值为A-3(i)，给A'-3(i)赋值为A-2(i)，给A'-1(i)赋值为A0(i)，并将步骤5.2)得到的能力评估值A(i)赋值给A'0(i)，完成能力评估矩阵M的更新，得到更新后的能力评估矩阵为M'：
其中，ID(i)表示节点i的编号，W(i)为轮询权值，A'0(i)为当前时刻能力评估值，A'-1(i)、A'-2(i)、A'-3(i)、A'-4(i)分别为评估评估矩阵M中的A0(i)、A-1(i)、A-2(i)、A-3(i)，i的取值为1～N，N为服务节点总个数。
步骤6：计算各个节点能力预测值。
从更新后的能力评估矩阵M'中读取各个节点的A'0(i)、A'-1(i)、A'-2(i)、A'-3(i)、A'-4(i)的值，计算各节点的能力预测值A'(i)：
A'(i)＝α0A'0(i)+α1A'-1(i)+α2A'-2(i)+α3A'-3(i)+α4A'-4(i)
其中，α0、α-1、α-2、α-3、α-4为不同时刻能力评估值对当前预测值的影响因子，且α0+α-1+α-2+α-3+α-4＝1，本实例取α0＝0.55，α-1＝0.24，α-2＝0.12，α-3＝0.06，α-4＝0.03。
步骤7：选取最终服务节点。
根据步骤5和步骤6的计算结果，在所有节点中，选取能力评估值最大的节点i，若节点i的能力预测值最小，则选取能力评估值第二大的节点j为最终服务节点，否则，选取节点i为最终服务节点，将步骤1)的App应用的请求提交到选取的最终服务节点，完成负载均衡服务。
以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (3)

1.Web集群的可预测动态负载均衡方法，包括：
1)对于来自App应用的一次请求，负载均衡器接受该请求，判断负载均衡服务是否已经初始化，若是，跳转到步骤3)，否则，执行步骤2)；
2)初始化负载均衡服务：
2a)读取服务节点配置文件，其中包括节点的ID、IP、CPU、内存、硬盘性能比值和性能占比，并对这些配置文件的值进行加权平均，计算各个节点的静态能力值P(i)，其中，i的取值为1到N，N为集群中服务节点总个数；
2b)先将2a)得到的各个节点的静态能力值扩大100倍，并对其计算结果取整数，得到各个节点的轮询权值W；再将2a)得到的各个节点的静态能力值扩大1000倍，得到各个节点的初始能力评估值A0；
2c)定义负载均衡服务处理一次客户端请求的时间为一个单位时刻，设t0为当前时刻，离t0时刻最近的过去四个时刻依次为t-1、t-2、t-3、t-4，对于任意节点i，当前时刻节点i的能力评估值为A0(i)；节点i对应的过去四个时刻的能力评估值分别为A-1(i)、A-2(i)、A-3(i)、A-4(i)，设置节点过去的四个时刻能力评估值的大小为A0，即A-1(i)＝A-2(i)＝A-3(i)＝A-4(i)＝A0；
2d)用各个节点的ID、W、A0(i)以及过去四个时刻的能力评估值构成能力评估矩阵M，完成负载均衡服务初始化：
其中，ID(i)表示节点i的编号，W(i)为轮询权值，A0(i)为当前时刻能力评估值，A-1(i)、A-2(i)、A-3(i)、A-4(i)分别为过去四个时刻的能力评估值，i的取值为1～N，N为服务节点总个数；
3)将各个节点的静态能力值P扩大4倍，得到各个节点的阈值Y，判断所有节点的当前时刻能力评估值是否超过Y，若是，执行步骤4)，否则，执行步骤5)；
4)静态负载调度：
4a)读取能力评估矩阵中的所有节点的轮询权值，选取轮询权值最大的节点作为服务节点，将步骤1)中的客户端请求提交到服务节点；每次被选中的服务节点轮询权值将减少1，当所有节点的轮询权值都变成0时，返回步骤2)；
4b)采用能力评估计算方法，离线计算所有节点的能力评估值，得到更新后的能力评估矩阵M'：
其中，ID(i)表示节点i的编号，W(i)为轮询权值，A'0(i)为当前时刻能力评估值，A'-1(i)、A'-2(i)、A'-3(i)、A'-4(i)分别为评估评估矩阵M中的A0(i)、A-1(i)、A-2(i)、A-3(i)的值，i的取值为1～N，N为服务节点总个数；
5)计算节点能力评估值：
5a)获取各个节点的负载信息，包括CPU使用率、内存使用率、硬盘IO率以及连接所占比，通过加权平均的方式，计算各个节点的负载值L(i)；
5b)根据各个节点的负载值L(i)和节点静态能力值P(i)，计算各个节点的能力评估值：其中，K为比例系数且K＞0，为了方便表示，取K值为1；
5c)从能力评估矩阵M中读取各个节点的A0(i)、A-1(i)、A-2(i)、A-3(i)、A-4(i)值，再依次给A'-4(i)赋值为A-3(i)，给A'-3(i)赋值为A-2(i)，给A'-2(i)赋值为A-1(i)，A'-1(i)赋值为A0(i)，并将步骤5b)得到的能力评估值A(i)赋值给A'0(i)，完成能力评估矩阵M的更新，得到更新后的能力评估矩阵为M'；
6)从更新后的能力评估矩阵M'中读取各个节点的A0(i)、A-1(i)、A-2(i)、A-3(i)、A-4(i)的值，计算各节点的能力预测值：A'(i)＝α0A0(i)+α1A-1(i)+α2A-2(i)+α3A-3(i)+α4A-4(i)，其中，α0、α-1、α-2、α-3、α-4为不同时刻能力评估值对当前预测值的影响因子，且α0+α-1+α-2+α-3+α-4＝1；
7)根据步骤5)和步骤6)的计算结果，在所有节点中，选取能力评估值最大的节点i，若节点i的能力预测值最小，则选取能力评估值第二大的节点j为最终服务节点，否则，选取节点i为最终服务节点，将步骤1)的客户端的请求提交到选取的最终服务节点。
2.根据权利要求1所述的方法，其特征在于：步骤2a)中计算各个节点的静态能力值P(i)，通过下式计算：
P(i)＝CPUp(i)×cpuc(i)+MEMp(i)×memc(i)+DISKp(i)×diskc(i)
其中cpuc(i)、memc(i)、diskc(i)分别表示CPU、内存、磁盘性能在静态能力值上的权重，且cpuc(i)+memc(i)+diskc(i)＝1；CPUp(i)、MEMp(i)、DISKp(i)分别表示节点i在CPU、内存、硬盘性能中的梯度值，取值范围为0～1。
3.根据权利要求1所述的方法，其特征在于：步骤5a)中计算各个节点的负载值L(i)，按照下式计算：
L(i)＝CPUu(i)×cpuuc(i)+MEMu(i)×memuc(i)
+DISKu(i)×diskuc(i)+LINKu(i)×linkuc(i)
其中，cpuuc(i)、memuc(i)、diskuc(i)、linkuc(i)分别表示CPU使用率、内存使率、磁盘IO率以及连接所占比在负载值中的权重，且cpuuc(i)+memuc(i)+diskuc(i)+linkuc(i)＝1；CPUu(i)、MEMu(i)、DISKu(i)、LINKu(i)分别表示CPU使用率、内存使用率、硬盘I率以及连接所占比的值，取值均为0～1。
CN201611118242.6A 2016-12-07 2016-12-07 Web集群的可预测动态负载均衡方法 Active CN106385468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611118242.6A CN106385468B (zh) 2016-12-07 2016-12-07 Web集群的可预测动态负载均衡方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611118242.6A CN106385468B (zh) 2016-12-07 2016-12-07 Web集群的可预测动态负载均衡方法

Publications (2)

Publication Number Publication Date
CN106385468A CN106385468A (zh) 2017-02-08
CN106385468B true CN106385468B (zh) 2019-03-26

Family

ID=57959929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611118242.6A Active CN106385468B (zh) 2016-12-07 2016-12-07 Web集群的可预测动态负载均衡方法

Country Status (1)

Country Link
CN (1) CN106385468B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107026907B (zh) * 2017-03-30 2020-08-14 广东红餐科技有限公司 一种负载均衡方法、负载均衡器及负载均衡系统
CN107707612B (zh) * 2017-08-10 2020-11-13 北京奇艺世纪科技有限公司 一种负载均衡集群的资源利用率的评估方法及装置
CN107800796A (zh) * 2017-11-01 2018-03-13 重庆邮电大学 一种智能照明管控系统实现方法
CN108449376A (zh) * 2018-01-31 2018-08-24 合肥和钧正策信息技术有限公司 一种服务于企业的大数据计算节点的负载均衡方法
CN108718335A (zh) * 2018-05-14 2018-10-30 北京百悟科技有限公司 一种负载均衡方法、装置、Web服务器及存储介质
CN108632384A (zh) * 2018-05-15 2018-10-09 西安电子科技大学 基于视频请求数预测的负载均衡方法
CN108762924A (zh) * 2018-05-28 2018-11-06 郑州云海信息技术有限公司 一种负载均衡的方法、装置和计算机可读存储介质
CN110149377A (zh) * 2019-04-30 2019-08-20 广州微算互联信息技术有限公司 一种视频服务节点资源分配方法、系统、装置及存储介质
CN110417903B (zh) * 2019-08-01 2020-06-23 深圳风月科技有限公司 一种基于云计算的信息处理方法和系统
CN112738146B (zh) * 2019-10-28 2022-07-05 杭州海康威视系统技术有限公司 接入节点设备和接入系统及设备调度方法和设备调度装置
CN111491027A (zh) * 2020-04-16 2020-08-04 北京雷石天地电子技术有限公司 均衡负载方法、均衡负载装置和可读存储介质
CN112769946B (zh) * 2021-01-19 2023-04-07 上海七牛信息技术有限公司 一种在rtc网络中对合流任务动态均衡调度方法及系统
WO2024007171A1 (zh) * 2022-07-05 2024-01-11 北京小米移动软件有限公司 一种算力负载均衡方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102158559A (zh) * 2011-04-18 2011-08-17 浙江工业大学 一种基于p2p网络的负载均衡的方法
CN103442076A (zh) * 2013-09-04 2013-12-11 上海海事大学 一种云存储系统的可用性保障方法
CN103581039A (zh) * 2013-11-08 2014-02-12 西安电子科技大学宁波信息技术研究院 一种服务器集群的动态负载均衡架构及其使用方法
CN103607459A (zh) * 2013-11-21 2014-02-26 东北大学 一种云计算平台IaaS层的动态资源监测及调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102158559A (zh) * 2011-04-18 2011-08-17 浙江工业大学 一种基于p2p网络的负载均衡的方法
CN103442076A (zh) * 2013-09-04 2013-12-11 上海海事大学 一种云存储系统的可用性保障方法
CN103581039A (zh) * 2013-11-08 2014-02-12 西安电子科技大学宁波信息技术研究院 一种服务器集群的动态负载均衡架构及其使用方法
CN103607459A (zh) * 2013-11-21 2014-02-26 东北大学 一种云计算平台IaaS层的动态资源监测及调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"An Adaptive Feedback Load Balancing Algorithm in HDFS";Kai Fan et al.;《Intelligent Networking and Collaborative Systems》;20130911;全文 *

Also Published As

Publication number Publication date
CN106385468A (zh) 2017-02-08

Similar Documents

Publication Publication Date Title
CN106385468B (zh) Web集群的可预测动态负载均衡方法
Kapsalis et al. A cooperative fog approach for effective workload balancing
CN105550323B (zh) 一种分布式数据库负载均衡预测方法和预测分析器
CN108628674A (zh) 基于云平台的任务调度方法、云平台及计算机存储介质
Enokido et al. Process allocation algorithms for saving power consumption in peer-to-peer systems
CN102567080B (zh) 一种云计算环境中的面向负载均衡的虚拟机择位系统
CN103338228B (zh) 基于双加权最小连接算法的云计算负载均衡调度算法
CN106844051A (zh) 一种边缘计算环境中功耗优化的负载任务迁移算法
Jia et al. Qos-aware cloudlet load balancing in wireless metropolitan area networks
CN107426332B (zh) 一种web服务器集群的负载均衡方法及系统
CN110311987A (zh) 微服务器的节点调度方法、装置、设备及存储介质
CN107124472A (zh) 负载均衡方法及装置、计算机可读存储介质
CN109995864A (zh) 一种基于模糊逻辑的sdn负载均衡方法
CN108563500A (zh) 基于云平台的任务调度方法、云平台及计算机存储介质
CN102662764B (zh) 一种基于smdp的动态云计算资源优化分配方法
WO2012033909A2 (en) Method and system of simulating a data center
CN108667878A (zh) 服务器负载均衡方法及装置、存储介质、电子设备
CN111381971A (zh) 一种基于Nginx的动态权重负载均衡方法
CN103401947A (zh) 多个服务器的任务分配方法和装置
CN107220108B (zh) 一种实现云数据中心负载均衡的方法和系统
Fallah et al. NASLA: Novel auto scaling approach based on learning automata for web application in cloud computing environment
CN114553723A (zh) 一种人工智能训练平台的运营方法、系统、介质及设备
CN112363827A (zh) 一种基于延迟因子的多资源指标Kubernetes调度方法
Liu et al. On the placement of edge servers in mobile edge computing
CN102929693A (zh) 整机柜服务器的性能评测方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant