CN110417591A - 投票节点配置方法及系统 - Google Patents

Abstract

本发明公开一种投票节点配置方法及系统，包括：主节点定时向分布式集群中的从节点下发参数采集任务；从节点采集性能指标参数并反馈至主节点；主节点基于预设组合算法对各性能指标参数进行权重计算获得各性能指标参数对应的指标权重；根据指标权重以及各性能指标参数对应的参数值计算各从节点对应的投票能力；再根据预设的允许宕机数量确定分布式集群对应的投票节点数量，并根据投票节点数量以及投票能力选取对应的投票节点。由于是根据从节点的性能指标参数以及组合算法确定出的性能指标参数指标权重来计算各从节点的投票能力，然后根据投票能力进行投票节点筛选，从而能够保证筛选出的从节点具有较高的工作性能，实现了投票节点的自动化配置。

Description

投票节点配置方法及系统

技术领域

本发明涉及计算机技术领域，尤其涉及一种投票节点配置方法及系统。

背景技术

目前，分布式集群(例如ZooKeeper集群)中消息广播模式基本采用“过半”策略，这种策略是ZooKeeper在可用性和一致性间做了取舍，保证了即使集群中半数以下的服务器宕机了，集群仍能对外提供服务。在分布式集群中，当主节点服务器频繁的发起事务性请求时，由于ZooKeeper对事务性操作是按序处理的，只有当前事务性操作完成后，主节点服务器才会处理下一个请求，ZooKeeper集群规模一旦比较大，那么需要达到过半的投票数就越多，过半投票数多需要的时间就越长，事务性操作的性能就越低。

而当对于分布式集群中存在多个节点(服务器)时，如何配置投票节点和非投票节点并没有一个统一的标准。如果采用主观意识的配置方案，可能使集群同步达不到最佳性能，为了寻找最佳配置方案，运维人员必须经过反复的实验，通过数据进行定量分析来得出结果。这种方案虽然可行，但是由于网络波动是频繁的，频繁性地手动配置并不是最佳的手段。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种投票节点配置方法及系统，旨在解决现有技术无法有效对分布式集群中的投票节点进行配置的技术问题。

为实现上述目的，本发明提供了一种投票节点配置方法，所述方法包括以下步骤：

主节点每隔预设时间周期向所在分布式集群中的各从节点下发参数采集任务；

所述从节点根据所述参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至所述主节点；

所述主节点基于预设组合算法对各性能指标参数进行权重计算，以获得各性能指标参数对应的指标权重；

所述主节点根据所述指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力；

所述主节点根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量，并根据所述投票节点数量以及所述投票能力从所述从节点中选取对应的投票节点。

优选地，所述从节点根据所述参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至所述主节点的步骤，包括：

所述从节点根据所述参数采集任务在本地创建一目标文件，在预设时段内对所述目标文件执行读写操作，并根据统计的读写总次数计算对应的磁盘读取速率；

所述从节点读取所述参数采集任务中包含的处理器计算能力参数，所述处理器计算能力参数包括：计算时限以及待计算数值；

所述从节点在所述计算时限内对所述待计算数值执行若干次素数求取操作，并根据执行结果获得对应的处理器计算能力；

所述从节点将所述磁盘读取速率以及所述处理器计算能力作为性能指标参数反馈至所述主节点。

优选地，所述主节点基于预设组合算法对各性能指标参数进行权重计算，以获得各性能指标参数对应的指标权重的步骤，包括：

所述主节点通过预设层次分析法获取各性能指标参数对应的主观权重值；

所述主节点通过预设权重赋值算法获取各性能指标参数对应的客观权重值；

所述主节点基于所述主观权重值以及所述客观权重值，通过预设拉格朗日最优乘子法获取各性能指标参数对应的指标权重。

优选地，所述主节点通过预设层次分析法获取各性能指标参数对应的主观权重值的步骤，包括：

所述主节点根据各性能指标参数构建对应的判断矩阵，并计算所述判断矩阵的最大特征根以及特征向量；

所述主节点获取所述判断矩阵对应的阶数，在预设随机一致性指标表中查找所述阶数对应的随机一致性评价指标值；

所述主节点根据所述最大特征根以及所述阶数计算所述判断矩阵对应的目标一致性指标值；

所述主节点根据所述随机一致性评价指标值以及所述目标一致性指标值判断所述判断矩阵是否有效；

所述主节点在所述判断矩阵有效时，读取所述特征向量中各向量元素对应的元素值，并根据读取的元素值确定各性能指标参数对应的主观权重值。

优选地，所述主节点通过预设权重赋值算法获取各性能指标参数对应的客观权重值的步骤，包括：

所述主节点对各性能指标参数进行无量纲化以获得无量纲性能指标，并获取每两个无量纲性能指标之间的相关系数；

所述主节点获取各无量纲性能指标对应的标准差，根据所述标准差以及所述相关系数通过第一预设公式计算各无量纲性能指标对应的信息量，并将所述信息量相加获得信息总量；

所述主节点根据各无量纲性能指标对应的信息量以及所述信息总量确定各性能指标参数对应的客观权重值；

其中，所述第一预设公式为：

式中，G_i为无量纲性能指标i对应的信息量，σ_i为无量纲性能指标i对应的标准差，r_ij为无量纲性能指标i和j之间的相关系数。

优选地，所述主节点基于所述主观权重值以及所述客观权重值，通过预设拉格朗日最优乘子法获取各性能指标参数对应的指标权重的步骤，包括：

所述主节点基于所述主观权重值以及所述客观权重值，通过第二预设公式计算各性能指标参数对应的指标权重；

其中，所述第二预设公式为：

式中，W_i为第i个性能指标参数对应的指标权重，n为性能指标参数的个数，W_i ^A为主观权重值，W_i ^C为客观权重值。

优选地，所述主节点根据所述指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力的步骤，包括：

所述主节点根据所述指标权重以及各性能指标参数对应的参数值，通过第三预设公式分别计算各从节点对应的投票能力；

其中，所述第三预设公式为：

B＝(a₁，a₂…a_n)×[W₁,W₂…W_n]

式中，B为投票能力，a_n为第n个性能指标参数，W_n为第n个性能指标参数对应的指标权重。

优选地，所述主节点根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量，并根据所述投票节点数量以及所述投票能力从所述从节点中选取对应的投票节点的步骤，包括：

所述主节点根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量；

所述主节点将所述投票能力按从大到小的顺序进行排序，并根据排序结果选取所述投票节点数量的从节点作为投票节点。

此外，为实现上述目的，本发明还提出一种投票节点配置系统，所述系统包括：主节点和多个从节点，所述主节点和所述从节点处于分布式集群中；

所述主节点，用于每隔预设时间周期向所述分布式集群中的各从节点下发参数采集任务；

所述从节点，用于根据所述参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至所述主节点；

所述主节点，还用于基于预设组合算法对各性能指标参数进行权重计算，以获得各性能指标参数对应的指标权重；

所述主节点，还用于根据所述指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力；

所述主节点，还用于根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量，并根据所述投票节点数量以及所述投票能力从所述从节点中选取对应的投票节点。

优选地，所述主节点，还用于通过预设层次分析法获取各性能指标参数对应的主观权重值；

所述主节点，还用于通过预设权重赋值算法获取各性能指标参数对应的客观权重值；

所述主节点，还用于基于所述主观权重值以及所述客观权重值，通过预设拉格朗日最优乘子法获取各性能指标参数对应的指标权重。

本发明主节点每隔预设时间周期向所在分布式集群中的各从节点下发参数采集任务；从节点根据参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至主节点；主节点基于预设组合算法对各性能指标参数进行权重计算，以获得各性能指标参数对应的指标权重；根据指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力；再根据预先设定的允许宕机数量确定分布式集群对应的投票节点数量，并根据投票节点数量以及投票能力选取对应的投票节点。由于是根据从节点的性能指标参数以及组合算法确定出的性能指标参数指标权重来计算各从节点的投票能力，然后根据投票能力进行投票节点筛选，从而能够保证筛选出的从节点具有较好的工作性能，也实现了投票节点的自动化配置。

附图说明

图1为本发明投票节点配置方法第一实施例的流程示意图；

图2为本发明投票节点配置方法第二实施例的流程示意图；

图3为本发明投票节点配置方法第三实施例的流程示意图；

图4为本发明投票节点配置方法第三实施例投票能力评价递阶层次关系模型示意图；

图5为本发明投票节点系统装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明实施例提供了一种投票节点配置方法，参照图1，图1为本发明投票节点配置方法第一实施例的流程示意图。

本实施例中，所述投票节点配置方法包括以下步骤：

步骤S10：主节点每隔预设时间周期向所在分布式集群中的各从节点下发参数采集任务；

需要说明的是，本实施例方法的执行主体可以是分布式应用程序协调服务(Zookeeper)集群中的Leader服务器(即所述主节点)，在分布式集群中主节点是整个ZooKeeper集群工作机制中的核心。所述从节点即同一个分布式集群中除主节点外的其它节点。所述参数采集任务可以是主节点发起的参数采集请求或指令。

本实施例中，所述预设时间周期可以预先设定的参数采集任务的下发时间间隔。考虑到实际情况下，各从节点的计算能力和磁盘读取速度变化不大，网络延时受网络波动相对变化较大，若预设时间周期设置太小，采集网络延时、计算能力及磁盘读取速度的频率过高会导致不必要的性能消耗，加重服务器负载，故本实施例可将所述预设时间周期设置为2小时。当然，对于预设时间周期的具体数值本实施例并不限制。

在具体实现中，主节点每隔预设时间周期向所在分布式集群中的各从节点下发参数采集任务，以使从节点在接收到该参数采集任务时对其进行响应。

步骤S20：所述从节点根据所述参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至所述主节点；

需要说明的是，本实施例中所述预设维度的性能指标参数包括网络延时、CPU计算能力以及磁盘读取速度。由于网络延时需要由主节点计算获得。因此，本步骤中从节点在接收到参数采集任务时，主要是采集CPU计算能力以及磁盘读取速度这两个维度的性能指标参数。

进一步地，考虑到SysBench是一款开源、跨平台的可用于CPU、磁盘I/0、内存、数据库的多线程性能测试工具，本实施例中从节点可通过Java语言调用SysBench命令获取CPU计算能力和磁盘读取速度。

具体的，本实施例中从节点可根据所述参数采集任务在本地创建一目标文件，在预设时段内对所述目标文件执行读写操作，并根据统计的读写总次数计算对应的磁盘读取速率；其中，所述读写操作可包括：顺序写入、顺序重写顺序读取以及随机读取等。

在采集CPU计算能力时，本实施例从节点还可读取所述参数采集任务中包含的处理器计算能力参数，所述处理器计算能力参数包括：计算时限以及待计算数值；在所述计算时限内对所述待计算数值执行若干次素数求取操作，并根据执行结果获得对应的处理器计算能力；然后将所述磁盘读取速率以及所述处理器计算能力作为性能指标参数反馈至所述主节点。

应理解的是，所述素数求取操作即计算某一个数的素数。计算时限即进行素数计算的时间范围，例如待计算数值为100的素数，计算时限为30秒等。

考虑到网络延时需要主节点进行计算获得，因此本实施例中主节点可在下发的参数采集任务中集成同样的ping命令，然后记录该ping命令的发送时间(即参数采集任务的发送时间)t₁和接收到该ping命令反馈结果的接收时间t₄，再获取各从节点记录并反馈给主节点的接收到该ping命令的接收时间t₂以及对该ping命令响应结束时将反馈结果返回给客户端时的返回时间t₃，最后主节点根据公式“网络延时＝(t₂-t₁)+(t₄-t₃)”即可计算出各从节点当前的网络延时。

在具体实现中，从节点根据所述参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至所述主节点，由主节点根据这些性能指标参数进行后续的投票能力计算。

步骤S30：所述主节点基于预设组合算法对各性能指标参数进行权重计算，以获得各性能指标参数对应的指标权重；

需要说明的是，本实施例中所述预设组合算法可以是将层次分析法(AnalyticHierarchy Process，AHP)和权重赋值算法(CRITIC赋值法)进行结合后得到的权重计算策略。

考虑到，层次分析法等主观赋权法的优点是计算过程简单，缺点是主观性比较大。而CRITIC赋值法等客观赋权法的优点是有较强的客观性，缺点在于过分依赖对样本的统计或数学的定量方法，忽略了评价指标的定性分析；因此本实施例将两种算法进行结合，即将主观赋权法和客观赋权法结合起来进行指标权重的计算。具体可以是通过预设层次分析法获取各性能指标参数对应的主观权重值；然后通过预设权重赋值算法获取各性能指标参数对应的客观权重值；再基于所述主观权重值以及所述客观权重值获取各性能指标参数对应的指标权重。

在具体实现中，主节点在获取到性能指标参数后，即可基于预先设置的组合算法对各性能指标参数进行权重计算，从而获得各性能指标参数(网络延时、CPU计算能力以及磁盘读取速度等)对应的指标权重。

步骤S40：所述主节点根据所述指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力；

应理解的是，所谓投票能力主要用于表征节点的数据同步效率，投票能力强的节点其对应的数据同步以及处理效率相对较高。

在具体实现中，主节点在计算出各性能指标参数对应的指标权重后，即可根据所述指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力。

步骤S50：所述主节点根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量，并根据所述投票节点数量以及所述投票能力从所述从节点中选取对应的投票节点。

应理解的是，所述允许宕机数量即分布式集群中允许出现故障的节点数量，通常情况下，分布式集群中能够正常工作的节点数量需要占集群节点总数的一半加一个，即(n/2)+1个，n为节点总数，因此本实施例中所述允许宕机数量不能超过(n/2)-1个，所述投票节点数量至少为(n/2)+1个，其具体数值不做限制。

在具体实现中，主节点根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量；然后将所述投票能力按从大到小的顺序进行排序，并根据排序结果选取所述投票节点数量的从节点作为投票节点。

本实施例主节点每隔预设时间周期向所在分布式集群中的各从节点下发参数采集任务；从节点根据参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至主节点；主节点基于预设组合算法对各性能指标参数进行权重计算，以获得各性能指标参数对应的指标权重；根据指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力；再根据预先设定的允许宕机数量确定分布式集群对应的投票节点数量，并根据投票节点数量以及投票能力选取对应的投票节点。由于是根据从节点的性能指标参数以及组合算法确定出的性能指标参数指标权重来计算各从节点的投票能力，然后根据投票能力进行投票节点筛选，从而能够保证筛选出的从节点具有较好的工作性能，也实现了投票节点的自动化配置。

参考图2，图2为本发明投票节点配置方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，所述步骤S30包括：

步骤S301：所述主节点通过预设层次分析法获取各性能指标参数对应的主观权重值；

应理解的是，层次分析法通常将决策问题分为目标层、准则层和方案层，根据各因素的性质不同进行分类并建立层次关系模型。在层次关系结构中，目标层是最高层，表示解决问题的目的，即层次分析需要达到的最终目标，本实施例中的目标层为各ZooKeeper服务器(即从节点)的投票能力。准则层是中间层，表示采取某种措施、方案来实现最终目标所需要的中间环节，本实施例中的准则层主要有系统性能指标和网络性能指标。方案层是最下层，表示评价、排序、选择的对象。在建立上述层次关系模型后，主节点还将构造判断矩阵，然后根据构造的判断矩阵进行权重计算。

具体的，主节点可根据各性能指标参数构建对应的判断矩阵，并计算所述判断矩阵的最大特征根以及特征向量；然后获取所述判断矩阵对应的阶数，在预设随机一致性指标表中查找所述阶数对应的随机一致性评价指标值；再根据所述最大特征根以及所述阶数计算所述判断矩阵对应的目标一致性指标值；然后根据所述随机一致性评价指标值以及所述目标一致性指标值判断所述判断矩阵是否有效；最后在所述判断矩阵有效时，读取所述特征向量中各向量元素对应的元素值，并根据读取的元素值确定各性能指标参数对应的主观权重值。

例如，主节点可采用9度标度法对网络延时、计算能力以及磁盘读取速度这三个性能指标参数建立判断矩阵。判断矩阵表示的是各准则或各方案之间的相对重要程度，与层次分析法相同，首先不考虑集群服务器(方案)对评价过程的影响，依次评价上述三个单项指标之间的两两关系，从而可以得到一个3×3的判断矩阵，然后计算该判断矩阵的最大特征根以及特征向量，再通过一致性验证来检测判断矩阵是否有效，若有效则读取特征向量中各向量元素对应的元素值，并根据读取的元素值确定各性能指标参数对应的主观权重值。

步骤S302：所述主节点通过预设权重赋值算法获取各性能指标参数对应的客观权重值；

应理解的是，权重赋值算法CRITIC是对ZooKeeper服务器集群中影响投票能力的性能指标参数进行收集，然后对收集的信息进行无量纲化处理以及奇异点处理，进而分析数据间的变异性和冲突性，再进一步确定各性能指标参数的权重。奇异点是指某个体的某一指标远超该类个体的同项指标的数据。本实施例中主节点将对检测出的奇异点进行剔除。

具体的，主节点可先对性能指标参数进行奇异点检测，根据检测结果将性能指标参数对应数据中的奇异点剔除，然后对各性能指标参数进行无量纲化以获得无量纲性能指标，并获取每两个无量纲性能指标之间的相关系数；再获取各无量纲性能指标对应的标准差，根据所述标准差以及所述相关系数通过第一预设公式计算各无量纲性能指标对应的信息量，并将所述信息量相加获得信息总量；最后根据各无量纲性能指标对应的信息量以及所述信息总量确定各性能指标参数对应的客观权重值；其中，所述第一预设公式为：

式中，G_i为无量纲性能指标i对应的信息量，σ_i为无量纲性能指标i对应的标准差，r_ij为无量纲性能指标i和j之间的相关系数。

应理解的是，相关系数是用来反映评价指标相互之间密切程度的统计指标，通常用积差方法计算。

步骤S303：所述主节点基于所述主观权重值以及所述客观权重值，通过预设拉格朗日最优乘子法获取各性能指标参数对应的指标权重。

在具体实现中，主节点在通过AHP法得到服务器投票能力的性能指标参数对应的主观权重值，以及通过CRITIC法得到服务器投票能力的性能指标参数对应的客观权重值后，即可通过拉格朗日乘子法即第二预设公式计算各性能指标参数对应的指标权重；

其中，所述第二预设公式为：

式中，W_i为第i个性能指标参数对应的指标权重，n为性能指标参数的个数，W_i ^A为主观权重值，W_i ^C为客观权重值。

本实施例通过拉格朗日最优乘子法根据服务器投票能力的性能指标参数分别对应的主观权重值和客观权重值计算指标权重，可以最大限度减少信息的损失，使最终计算出的权重值尽可能地接近实际的值，提高权重值确定的准确性。

参考图3，图3为本发明投票节点配置方法第三实施例的流程示意图。

基于上述各实施例，在本实施例中，所述步骤S40可具体包括：

步骤S401：所述主节点根据所述指标权重以及各性能指标参数对应的参数值，通过第三预设公式分别计算各从节点对应的投票能力；

其中，所述第三预设公式为：

B＝(a₁，a₂…a_n)×[W₁,W₂…W_n]

式中，B为投票能力，a_n为第n个性能指标参数，W_n为第n个性能指标参数对应的指标权重。

在具体实现中，主节点在获取到各性能参数对应的参数值和指标权重后，即可按照上述公式计算从节点对应的投票能力。

下面结合具体例子对本实施例及上述各实施例进行说明。

参考图4，图4为本发明投票节点配置方法第三实施例投票能力评价递阶层次关系模型示意图。

(1)主节点通过预设层次分析法获取各性能指标参数对应的主观权重值的步骤如下：

如图4所示，本实施例先针对ZooKeeper服务器节点的投票能力建立层次关系模型。对于图4准则层中的性能指标参数(网络延时、处理器计算能力以及磁盘读取速率)，本实施例应用多个相关领域知识的多专家分别独立构造出判断矩阵，然后采用几何平均法构造出的最终判断矩阵如表1所示，表1为性能指标参数判断矩阵。

表1性能指标参数判断矩阵

即主节点最终获得的判断矩阵如下：

主节点根据构造出的判断矩阵A计算出A的最大特征根为：λ_max＝3.013，特征向量W^A和目标一致性指标CI分别为：

W^A＝[W₁,W₂,W₃]＝[0.8158,0.1027,0.0815]

假设主节点在预设随机一致性指标表查得随机一致性指标RI的值为0.58，则可计算出一致性校验结果CR值为：

由于CR值小于0.1则可判定判断矩阵A满足一致性，即判断矩阵A有效。

(2)主节点通过预设权重赋值算法获取各性能指标参数对应的客观权重值的步骤，包括：

主节点在分布式集群中轮流调整主节点，并收集100组衡量投票能力的性能参数指标信息。如表2所示，表2为性能指标参数数据。

表2性能指标参数数据

对上述100组数据，进行奇异点检测和无量纲化处理后得到的数据如表3所示，表3为无量纲化处理后的性能指标参数数据。

表3无量纲化处理后的性能指标参数数据

主节点以两个指标与各自平均值的离差为基础，通过两个乘积相乘来计算两个指标的相关系数，得到相关系数矩阵M如下：

然后主节点根据上述第一预设公式和第四预设公式计算出投票能力中各性能指标参数的权重值如下：

W^C＝[W₁,W₂,W₃]＝[0.8253,0.0388,0.0359]

其中，所述第四预设公式为：

(3)主节点基于所述主观权重值以及所述客观权重值，通过预设拉格朗日最优乘子法获取各性能指标参数对应的指标权重的步骤，包括：

主节点基于所述主观权重值以及所述客观权重值，通过上述第二预设公式分别计算各性能指标参数对应的指标权重：

W＝[0.7638,0.1858,0.0504]

本实施例主节点通过AHP法得到服务器投票能力的性能指标参数对应的主观权重值，通过CRITIC法得到服务器投票能力的性能指标参数对应的客观权重值后，再通过拉格朗日乘子法即第二预设公式计算各性能指标参数对应的指标权重，由于是将两种权重计算算法进行组合从而克服了每一种算法存在的权重值计算缺陷，提高了性能指标参数权重值计算的准确性。

参照图5，图5为本发明投票节点配置系统第一实施例的结构框图。

如图5所示，本发明实施例提出的投票节点配置系统包括：主节点50和多个从节点(501、502、503等)，所述主节点50和所述从节点(501、502、503)处于分布式集群中，下面以从节点501为例进行说明。

所述主节点50，用于每隔预设时间周期向所述分布式集群中的各从节点下发参数采集任务；

所述从节点501，用于根据所述参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至所述主节点50；

所述主节点50，还用于基于预设组合算法对各性能指标参数进行权重计算，以获得各性能指标参数对应的指标权重；

所述主节点50，还用于根据所述指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力；

所述主节点50，还用于根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量，并根据所述投票节点数量以及所述投票能力从所述从节点中选取对应的投票节点。

本实施例主节点每隔预设时间周期向所在分布式集群中的各从节点下发参数采集任务；从节点根据参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至主节点；主节点基于预设组合算法对各性能指标参数进行权重计算，以获得各性能指标参数对应的指标权重；根据指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力；再根据预先设定的允许宕机数量确定分布式集群对应的投票节点数量，并根据投票节点数量以及投票能力选取对应的投票节点。由于是根据从节点的性能指标参数以及组合算法确定出的性能指标参数指标权重来计算各从节点的投票能力，然后根据投票能力进行投票节点筛选，从而能够保证筛选出的从节点具有较好的工作性能，也实现了投票节点的自动化配置。

基于本发明上述投票节点配置系统第一实施例，提出本发明投票节点配置系统的第二实施例。

在本实施例中，所述从节点501，还用于根据所述参数采集任务在本地创建一目标文件，在预设时段内对所述目标文件执行读写操作，并根据统计的读写总次数计算对应的磁盘读取速率；读取所述参数采集任务中包含的处理器计算能力参数，所述处理器计算能力参数包括：计算时限以及待计算数值；在所述计算时限内对所述待计算数值执行若干次素数求取操作，并根据执行结果获得对应的处理器计算能力；将所述磁盘读取速率以及所述处理器计算能力作为性能指标参数反馈至所述主节点50。

进一步地，所述主节点50，还用于通过预设层次分析法获取各性能指标参数对应的主观权重值；通过预设权重赋值算法获取各性能指标参数对应的客观权重值；基于所述主观权重值以及所述客观权重值，通过预设拉格朗日最优乘子法获取各性能指标参数对应的指标权重。

进一步地，所述主节点50，还用于根据各性能指标参数构建对应的判断矩阵，并计算所述判断矩阵的最大特征根以及特征向量；获取所述判断矩阵对应的阶数，在预设随机一致性指标表中查找所述阶数对应的随机一致性评价指标值；根据所述最大特征根以及所述阶数计算所述判断矩阵对应的目标一致性指标值；根据所述随机一致性评价指标值以及所述目标一致性指标值判断所述判断矩阵是否有效；在所述判断矩阵有效时，读取所述特征向量中各向量元素对应的元素值，并根据读取的元素值确定各性能指标参数对应的主观权重值。

进一步地，所述主节点50，还用于对各性能指标参数进行无量纲化以获得无量纲性能指标，并获取每两个无量纲性能指标之间的相关系数；获取各无量纲性能指标对应的标准差，根据所述标准差以及所述相关系数通过第一预设公式计算各无量纲性能指标对应的信息量，并将所述信息量相加获得信息总量；根据各无量纲性能指标对应的信息量以及所述信息总量确定各性能指标参数对应的客观权重值；其中，所述第一预设公式为：

式中，G_i为无量纲性能指标i对应的信息量，σ_i为无量纲性能指标i对应的标准差，r_ij为无量纲性能指标i和j之间的相关系数。

进一步地，所述主节点50，还用于基于所述主观权重值以及所述客观权重值，通过第二预设公式计算各性能指标参数对应的指标权重；其中，所述第二预设公式为：

式中，W_i为第i个性能指标参数对应的指标权重，n为性能指标参数的个数，W_i ^A为主观权重值，W_i ^C为客观权重值。

进一步地，所述主节点50，还用于根据所述指标权重以及各性能指标参数对应的参数值，通过第三预设公式分别计算各从节点对应的投票能力；其中，所述第三预设公式为：

B＝(a₁，a₂…a_n)×[W₁,W₂…W_n]

式中，B为投票能力，a_n为第n个性能指标参数，W_n为第n个性能指标参数对应的指标权重。

进一步地，所述主节点50，还用于根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量；将所述投票能力按从大到小的顺序进行排序，并根据排序结果选取所述投票节点数量的从节点作为投票节点。

本发明投票节点配置系统的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种投票节点配置方法，其特征在于，所述方法包括：

主节点每隔预设时间周期向所在分布式集群中的各从节点下发参数采集任务；

所述从节点根据所述参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至所述主节点；

所述主节点基于预设组合算法对各性能指标参数进行权重计算，以获得各性能指标参数对应的指标权重；

所述主节点根据所述指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力；

所述主节点根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量，并根据所述投票节点数量以及所述投票能力从所述从节点中选取对应的投票节点。

2.如权利要求1所述的方法，其特征在于，所述从节点根据所述参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至所述主节点的步骤，包括：

所述从节点根据所述参数采集任务在本地创建一目标文件，在预设时段内对所述目标文件执行读写操作，并根据统计的读写总次数计算对应的磁盘读取速率；

所述从节点读取所述参数采集任务中包含的处理器计算能力参数，所述处理器计算能力参数包括：计算时限以及待计算数值；

所述从节点在所述计算时限内对所述待计算数值执行若干次素数求取操作，并根据执行结果获得对应的处理器计算能力；

所述从节点将所述磁盘读取速率以及所述处理器计算能力作为性能指标参数反馈至所述主节点。

3.如权利要求1所述的方法，其特征在于，所述主节点基于预设组合算法对各性能指标参数进行权重计算，以获得各性能指标参数对应的指标权重的步骤，包括：

所述主节点通过预设层次分析法获取各性能指标参数对应的主观权重值；

所述主节点通过预设权重赋值算法获取各性能指标参数对应的客观权重值；

所述主节点基于所述主观权重值以及所述客观权重值，通过预设拉格朗日最优乘子法获取各性能指标参数对应的指标权重。

4.如权利要求3所述的方法，其特征在于，所述主节点通过预设层次分析法获取各性能指标参数对应的主观权重值的步骤，包括：

所述主节点根据各性能指标参数构建对应的判断矩阵，并计算所述判断矩阵的最大特征根以及特征向量；

所述主节点获取所述判断矩阵对应的阶数，在预设随机一致性指标表中查找所述阶数对应的随机一致性评价指标值；

所述主节点根据所述最大特征根以及所述阶数计算所述判断矩阵对应的目标一致性指标值；

所述主节点根据所述随机一致性评价指标值以及所述目标一致性指标值判断所述判断矩阵是否有效；

所述主节点在所述判断矩阵有效时，读取所述特征向量中各向量元素对应的元素值，并根据读取的元素值确定各性能指标参数对应的主观权重值。

5.如权利要求3所述的方法，其特征在于，所述主节点通过预设权重赋值算法获取各性能指标参数对应的客观权重值的步骤，包括：

所述主节点对各性能指标参数进行无量纲化以获得无量纲性能指标，并获取每两个无量纲性能指标之间的相关系数；

所述主节点获取各无量纲性能指标对应的标准差，根据所述标准差以及所述相关系数通过第一预设公式计算各无量纲性能指标对应的信息量，并将所述信息量相加获得信息总量；

所述主节点根据各无量纲性能指标对应的信息量以及所述信息总量确定各性能指标参数对应的客观权重值；

其中，所述第一预设公式为：

式中，G_i为无量纲性能指标i对应的信息量，σ_i为无量纲性能指标i对应的标准差，r_ij为无量纲性能指标i和j之间的相关系数。

6.如权利要求3所述的方法，其特征在于，所述主节点基于所述主观权重值以及所述客观权重值，通过预设拉格朗日最优乘子法获取各性能指标参数对应的指标权重的步骤，包括：

所述主节点基于所述主观权重值以及所述客观权重值，通过第二预设公式计算各性能指标参数对应的指标权重；

其中，所述第二预设公式为：

式中，W_i为第i个性能指标参数对应的指标权重，n为性能指标参数的个数，W_i ^A为主观权重值，W_i ^C为客观权重值。

7.如权利要求1至6任一项所述的方法，其特征在于，所述主节点根据所述指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力的步骤，包括：

所述主节点根据所述指标权重以及各性能指标参数对应的参数值，通过第三预设公式分别计算各从节点对应的投票能力；

其中，所述第三预设公式为：

B＝(a₁，a₂…a_n)×[W₁,W₂…W_n]

式中，B为投票能力，a_n为第n个性能指标参数，W_n为第n个性能指标参数对应的指标权重。

8.如权利要求1所述的方法，其特征在于，所述主节点根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量，并根据所述投票节点数量以及所述投票能力从所述从节点中选取对应的投票节点的步骤，包括：

所述主节点根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量；

所述主节点将所述投票能力按从大到小的顺序进行排序，并根据排序结果选取所述投票节点数量的从节点作为投票节点。

9.一种投票节点配置系统，其特征在于，所述系统包括：主节点和多个从节点，所述主节点和所述从节点处于分布式集群中；

所述主节点，用于每隔预设时间周期向所述分布式集群中的各从节点下发参数采集任务；

所述从节点，用于根据所述参数采集任务采集预设维度的性能指标参数，并将采集的性能指标参数反馈至所述主节点；

所述主节点，还用于基于预设组合算法对各性能指标参数进行权重计算，以获得各性能指标参数对应的指标权重；

所述主节点，还用于根据所述指标权重以及各性能指标参数对应的参数值分别计算各从节点对应的投票能力；

所述主节点，还用于根据预先设定的允许宕机数量确定所述分布式集群对应的投票节点数量，并根据所述投票节点数量以及所述投票能力从所述从节点中选取对应的投票节点。

10.如权利要求9所述的系统，其特征在于，所述主节点，还用于通过预设层次分析法获取各性能指标参数对应的主观权重值；

所述主节点，还用于通过预设权重赋值算法获取各性能指标参数对应的客观权重值；

所述主节点，还用于基于所述主观权重值以及所述客观权重值，通过预设拉格朗日最优乘子法获取各性能指标参数对应的指标权重。