CN110597619A - 一种负载均衡方法、负载均衡装置和负载均衡服务器 - Google Patents

一种负载均衡方法、负载均衡装置和负载均衡服务器 Download PDF

Info

Publication number
CN110597619A
CN110597619A CN201910726064.2A CN201910726064A CN110597619A CN 110597619 A CN110597619 A CN 110597619A CN 201910726064 A CN201910726064 A CN 201910726064A CN 110597619 A CN110597619 A CN 110597619A
Authority
CN
China
Prior art keywords
application server
load balancing
utilization rate
load
application
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.)
Pending
Application number
CN201910726064.2A
Other languages
English (en)
Inventor
王芬
高隆林
韩锋
赵欣
翟鲁超
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.)
CVIC Software Engineering Co Ltd
Original Assignee
CVIC Software Engineering 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 CVIC Software Engineering Co Ltd filed Critical CVIC Software Engineering Co Ltd
Priority to CN201910726064.2A priority Critical patent/CN110597619A/zh
Publication of CN110597619A publication Critical patent/CN110597619A/zh
Pending legal-status Critical Current

Links

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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
    • 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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请公开了一种负载均衡方法，包括：获取各个应用服务器节点的应用服务器信息，其中，应用服务器信息包括CPU使用率、内存使用率、web应用请求时间、磁盘IO利用率；将应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个应用服务器节点的负载均衡权重；基于负载均衡权重分配工作任务至对应的应用服务器节点。可见，本申请通过利用应用服务器信息与最小二乘支持向量机算法模型得到负载均衡权重，能够动态的获取符合当前应用服务器节点的负载均衡权重，合理分配各应用服务器工作任务，提高用户请求的响应的速度。本申请同时还提供了一种负载均衡装置和负载均衡服务器，均具有上述有益效果。

Description

一种负载均衡方法、负载均衡装置和负载均衡服务器
技术领域
本申请涉及信息技术领域，特别涉及一种负载均衡方法、负载均衡装置和负载均衡服务器。
背景技术
目前负载均衡使用不同的算法控制通信流量，这些算法用于以智能方式分散负载，或者最大限度地利用集群内的所有服务器。常用的负载均衡算法包括轮询、加权轮询、随机选取、最小连接数、IP_Hash等。
目前负载均衡权重值的分配仅仅是经过人工经验进行设置，存在很大的时间滞后性，将导致节点分配不均衡影响响应web应用层请求速度。
因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本申请的目的是提供一种负载均衡方法、负载均衡装置和负载均衡服务器，能够动态的获取符合当前应用服务器节点的负载均衡权重，合理分配各应用服务器工作任务，提高用户请求的响应的速度。其具体方案如下：
本申请提供一种负载均衡方法，包括：
获取各个应用服务器节点的应用服务器信息，其中，所述应用服务器信息包括CPU使用率、内存使用率、web应用请求时间、磁盘IO利用率；
将所述应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个所述应用服务器节点的负载均衡权重；
基于所述负载均衡权重分配工作任务至对应的应用服务器节点。
可选的，获取各个应用服务器节点的应用服务器信息之前，包括：
获取web应用层的web应用请求，其中所述web应用请求包括所述工作任务。
可选的，获取web应用层的web应用请求之后，还包括：
初始化所述负载均衡服务器；
对应的，将所述应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个所述应用服务器节点的负载均衡权重，包括：
判断各个所述应用服务器节点是否存在负载失衡；
若存在所述应用服务器节点负载失衡，则将所述应用服务器信息作为输入量，输入所述最小二乘支持向量机算法模型，输出各个所述应用服务器节点的负载均衡权重。
可选的，判断各个所述应用服务器节点是否存在负载失衡，包括：
判断各个所述应用服务器节点的所述web应用请求时间是否超过预设阈值；
若所述web应用请求时间超过预设阈值，则所述应用服务器节点负载失衡。
可选的，判断各个所述应用服务器节点是否存在负载失衡，包括：
判断各个所述应用服务器节点的所述CPU使用率是否超过第一预设使用率；
若所述CPU使用率超过第一预设使用率，则所述应用服务器节点负载失衡。
可选的，判断各个所述应用服务器节点是否存在负载失衡，包括：
判断各个所述应用服务器节点的所述内存使用率是否超过第二预设使用率；
若所述内存使用率超过第二预设使用率，则所述应用服务器节点负载失衡。
可选的，判断各个所述应用服务器节点是否存在负载失衡，包括：
判断各个所述应用服务器节点的所述磁盘IO利用率是否超过预设利用率；
若所述磁盘IO利用率超过预设利用率，则所述应用服务器节点负载失衡。
可选的，所述最小二乘支持向量机算法模型的建立方法包括：
获取多个数据样本，所述数据样本包括应用服务器信息、负载均衡权重；
根据所述数据样本利用最小二乘支持向量机算法进行模型训练，得到初始最小二乘支持向量机算法模型；
获取多个测试样本，所述测试样本包括应用服务器信息、负载均衡权重；
利用所述测试样本对所述初始最小二乘支持向量机算法模型进行测试，得到测试成功率；
当所述测试成功率达到预设成功率时，得到所述最小二乘支持向量机算法模型。
本申请提供一种负载均衡装置，包括：
应用服务器信息获取模块，用于获取各个应用服务器节点的应用服务器信息，其中，所述应用服务器信息包括CPU使用率、内存使用率、web应用请求时间、磁盘IO利用率；
负载均衡权重获取模块，用于将所述应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个所述应用服务器节点的负载均衡权重；
分配模块，用于基于所述负载均衡权重分配工作任务至对应的应用服务器节点。
本申请提供一种负载均衡服务器，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述负载均衡方法的步骤。
本申请提供一种负载均衡方法，包括：获取各个应用服务器节点的应用服务器信息，其中，应用服务器信息包括CPU使用率、内存使用率、web应用请求时间、磁盘IO利用率；将应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个应用服务器节点的负载均衡权重；基于负载均衡权重分配工作任务至对应的应用服务器节点。
可见，本申请通过利用应用服务器信息与最小二乘支持向量机算法模型得到负载均衡权重，能够动态的获取符合当前应用服务器节点的负载均衡权重，合理分配各应用服务器工作任务，提高用户请求的响应的速度。本申请同时还提供了一种负载均衡装置和负载均衡服务器，均具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种负载均衡方法的流程图；
图2为本申请实施例所提供的另一种负载均衡方法的流程图；
图3为本申请实施例所提供的一种最小二乘支持向量机算法模型的建立的方法流程图；
图4为本申请实施例所提供的一种负载均衡装置的结构示意图；
图5为本申请实施例所提供的一种负载均衡系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前负载均衡权重值的分配仅仅是经过人工经验进行设置，存在很大的时间滞后性，将导致节点分配不均衡影响web应用层请求效率。基于上述技术问题，本实施例提供一种负载均衡方法，能够动态的获取符合当前应用服务器节点的负载均衡权重，合理分配各应用服务器工作任务，提高用户请求的响应的速度，具体请参考图1，图1为本申请实施例所提供的一种负载均衡方法的流程图，具体包括：
S101、获取各个应用服务器节点的应用服务器信息，其中，应用服务器信息包括CPU使用率、内存使用率、web应用请求时间、磁盘IO利用率。
应用服务器节点可以是国产中间件，应用服务器节点的数量用户可自定义设置，只要是能够实现本实施例的目的即可。应用服务器节点实时获取自身的应用服务器信息，实现参数监控信息、请求追踪信息的获取，以便负载均衡服务器能够获取对应的应用服务器信息，以便进行处理。应用服务器节点与负载均衡服务器之间建立了通信联系，负载均衡服务器获取得到应用服务器信息。应用服务器信息包括CPU使用率，内存使用率、web应用请求时间、磁盘IO利用率，当然还可以包括其他的信息，只要是能够实现本实施例的目的即可。
S102、将应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个应用服务器节点的负载均衡权重。
将应用服务器信息作为输入量，输入预先建立好的最小二乘支持向量机算法模型中，得到输出量，此时输出量是各个应用服务器节点的负载均衡权重。此时通过考察应用服务器节点的应用服务器信息的多种变量因素，通过最小二乘支持向量机算法模型得带负载均衡权重，使得更好的分配负载及工作任务，使性能达到最优。
S103、基于负载均衡权重分配工作任务至对应的应用服务器节点。
基于负载均衡权重，进行任务分配，将所获取的预测值即负载均衡权重动态分配给各应用服务器节点上，合理分配动态的负载均衡权重值各个应用服务器节点，使web应用层请求达到最快响应。本实施例通过将相关参数即应用服务器信息汇集起来考虑，通过人工智能算法即最小二乘支持向量机算法模型算出最优值，该种方式将影响因素考虑的更加全面，使得应用服务器节点能够合理分配。
基于上述技术方案，本实施例通过利用应用服务器信息与最小二乘支持向量机算法模型得到负载均衡权重，能够动态的获取符合当前应用服务器节点的负载均衡权重，合理分配各应用服务器工作任务，提高用户请求的响应的速度。
本实施例提供一种负载均衡方法，具体请参考图2，图2为本申请实施例所提供的另一种负载均衡方法的流程图，包括：
S201、获取web应用层的web应用请求，其中web应用请求包括工作任务。
获取到web应用层的web应用请求。其中，本实施例不对web应用层进行限定，可以是电力行业业务系统，也可以是其他的，只要是能够实现本实施例的目的即可。此时获取到的web应用层的web应用请求可以是从web应用层直接获取，也可以是web应用层将web应用层的web应用请求发送至各个应用服务器节点，然后，应用服务器节点将web应用层的web应用请求发送至负载均衡服务器，只要是能够实现本实施例的目的即可。Web应用请求用户可自定义设置。
S202、初始化负载均衡服务器。
初始化负载均衡服务器，此时赋予各个应用服务器节点一个负载均衡权重。
S203、获取各个应用服务器节点的应用服务器信息，其中，应用服务器信息包括CPU使用率、内存使用率、web应用请求时间、磁盘IO利用率。
S204、判断各个应用服务器节点是否存在负载失衡。
本实施例不对判断方式进行限定，用户可自定已设置。
进一步的，判断各个应用服务器节点是否存在负载失衡，包括：判断各个应用服务器节点的web应用请求时间是否超过预设阈值；若web应用请求时间超过预设阈值，则应用服务器节点负载失衡。
Web应用请求时间超过预设阈值时，则应用服务器节点负载失衡，此时需要重新进行负载均衡权重的分配。本实施例不对预设阈值进行限定，用户可自定义设置。
进一步的，判断各个应用服务器节点是否存在负载失衡，包括：判断各个应用服务器节点的CPU使用率是否超过第一预设使用率；若CPU使用率超过第一预设使用率，则应用服务器节点负载失衡。
当CPU使用率达到一定值后，对应的应用服务器节点可能会出现堵塞的现象。本实施例不对第一预设使用率进行限定，用户可自定义设置。
进一步的，判断各个应用服务器节点是否存在负载失衡，包括：判断各个应用服务器节点的内存使用率是否超过第二预设使用率；若内存使用率超过第二预设使用率，则应用服务器节点负载失衡。
当内存使用率达到一定值后，对应的应用服务器节点可能会出现堵塞的现象。本实施例不对第二预设使用率进行限定，用户可自定义设置。
进一步的，判断各个应用服务器节点是否存在负载失衡，包括：判断各个应用服务器节点的磁盘IO利用率是否超过预设利用率；若磁盘IO利用率超过预设利用率，则应用服务器节点负载失衡。
本实施例不对预设利用率率进行限定，用户可自定义设置。
S205、若存在应用服务器节点负载失衡，则将应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个应用服务器节点的负载均衡权重。
S206、基于负载均衡权重分配工作任务至对应的应用服务器节点。
基于上述技术方案，本实施例根据各个应用服务器节点的应用服务器信息判断是否负载均衡，若负载失衡，则根据各应用服务器节点的实时负荷情况及WEB应用请求量，动态的将工作任务合理的分担到各应用服务器节点上，大规模增加了应用服务器节点的处理能力，提高用户请求的响应速度。
参考图3，图3为本申请实施例所提供的一种最小二乘支持向量机算法模型的建立的方法流程图，包括：
S1、获取多个数据样本，数据样本包括应用服务器信息、负载均衡权重。
本实施例采用多个数据样本，不对数据样本的数量进行限定，用户可自定义设置。对于数据样本{xi,yi}，并且i＝1,2,…,N，输入数据xi∈R，输出数据yi∈R，输入数据为应用服务器信息，输出数据为负载均衡权重。
S2、根据数据样本利用最小二乘支持向量机算法进行模型训练，得到初始最小二乘支持向量机算法模型。
通过最小二乘支持向量机算法创建模型，模型算法：
最小二乘支持向量机算法主要函数关系式如下所示：
式中，λi＝C·e，其中C为正则化参数，e为松弛变量；k(xi,x)代表核函数，在此使用径向基核函数，因为它只有一个核参数，能降低模型复杂度，并且RBF核函数应用广泛，性能优良。
则可将公式转换成：
式中，x为LS-SVM模型的目标输入变量，y为LS-SVM模型的目标输出变量，b为目标输出变量的偏置，λi为拉格朗日乘子，σ2为核宽。
本步骤得到初始最小二乘支持向量机算法模型。
S3、获取多个测试样本，测试样本包括应用服务器信息、负载均衡权重。
S4、利用测试样本对初始最小二乘支持向量机算法模型进行测试，得到测试成功率。
S5、当测试成功率达到预设成功率时，得到最小二乘支持向量机算法模型。
利用测试样本对初始最小二乘支持向量机算法模型进行测试，当测试成功率达到预设成功率时，得到最小二乘支持向量机算法模型。预设成功率可以是60％、70％、80％、90％，中的任意一个或者是其他数值只要是能够实现本实施例的目的即可。
进一步的，也可以利用其它方式得到最小二乘支持向量机算法模型，可以是传统的最小二乘支持向量机算法模型，也可以是改进后的最小二乘支持向量机算法模型，具体请参考相关技术，本实施例不再进行赘述。
下面对本申请实施例提供的一种负载均衡装置进行介绍，下文描述的负载均衡装置与上文描述的负载均衡方法可相互对应参照，相关模块均设置于负载均衡服务器中，参考图4，图4为本申请实施例所提供的一种负载均衡装置的结构示意图，包括：
应用服务器信息获取模块410，用于获取各个应用服务器节点的应用服务器信息，其中，应用服务器信息包括CPU使用率、内存使用率、web应用请求时间、磁盘IO利用率；
负载均衡权重获取模块420，用于将应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个应用服务器节点的负载均衡权重；
分配模块430，用于基于负载均衡权重分配工作任务至对应的应用服务器节点。
在一些具体的实施例中，还包括：
web应用请求获取模块，用于获取web应用层的web应用请求，其中web应用请求包括工作任务。
在一些具体的实施例中，还包括：
初始化模块，用于初始化负载均衡服务器；
对应的，负载均衡权重获取模块包括：
判断单元，用于判断各个应用服务器节点是否存在负载失衡；
负载均衡权重获取单元，用于若存在应用服务器节点负载失衡，则将应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个应用服务器节点的负载均衡权重。
在一些具体的实施例中，判断单元包括：
第一判断子单元，用于判断各个应用服务器节点的web应用请求时间是否超过预设阈值；
第一失衡确定子单元，用于若web应用请求时间超过预设阈值，则应用服务器节点负载失衡。
在一些具体的实施例中，判断单元包括：
第二判断子单元，用于判断各个应用服务器节点的CPU使用率是否超过第一预设使用率；
第二失衡确定子单元若CPU使用率超过第一预设使用率，则应用服务器节点负载失衡。
在一些具体的实施例中，判断单元包括：
第三判断子单元，用于判断各个应用服务器节点的内存使用率是否超过第二预设使用率；
第三失衡确定子单元若内存使用率超过第二预设使用率，则应用服务器节点负载失衡。
在一些具体的实施例中，判断单元包括：
第四判断子单元，用于判断各个应用服务器节点的磁盘IO利用率是否超过预设利用率；
第四失衡确定子单元若磁盘IO利用率超过预设利用率，则应用服务器节点负载失衡。
由于负载均衡装置部分的实施例与负载均衡方法部分的实施例相互对应，因此负载均衡装置部分的实施例请参见负载均衡方法部分的实施例的描述，这里暂不赘述。
下面对本申请实施例提供的一种负载均衡系统进行介绍，下文描述的负载均衡系统与上文描述的负载均衡方法可相互对应参照。参考图5，图5为本申请实施例所提供的一种负载均衡系统的结构示意图，包括：
负载均衡服务器510，用于获取各个应用服务器节点的应用服务器信息，其中，应用服务器信息包括CPU使用率、内存使用率、web应用请求时间、磁盘IO利用率；将应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个应用服务器节点的负载均衡权重；基于负载均衡权重分配工作任务至对应的应用服务器节点；
多个应用服务器节点520，用于执行工作任务；
web应用层530，用于发送web应用请求。
由于负载均衡系统部分的实施例与负载均衡方法部分的实施例相互对应，因此负载均衡系统部分的实施例请参见负载均衡方法部分的实施例的描述，这里暂不赘述。
下面对本申请实施例提供的一种负载均衡服务器进行介绍，下文描述的负载均衡服务器与上文描述的负载均衡方法可相互对应参照。
本实施例提供一种负载均衡服务器，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述负载均衡方法的步骤。
由于负载均衡服务器部分的实施例与负载均衡方法部分的实施例相互对应，因此负载均衡服务器部分的实施例请参见负载均衡方法部分的实施例的描述，这里暂不赘述。
下面对本申请实施例提供的一种计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的负载均衡方法可相互对应参照。
本实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述负载均衡方法的步骤。
由于计算机可读存储介质部分的实施例与负载均衡方法部分的实施例相互对应，因此计算机可读存储介质部分的实施例请参见负载均衡方法部分的实施例的描述，这里暂不赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种负载均衡方法、负载均衡装置、负载均衡服务器及负载均衡系统和计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种负载均衡方法，其特征在于，包括：
获取各个应用服务器节点的应用服务器信息，其中，所述应用服务器信息包括CPU使用率、内存使用率、web应用请求时间、磁盘IO利用率；
将所述应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个所述应用服务器节点的负载均衡权重；
基于所述负载均衡权重分配工作任务至对应的应用服务器节点。
2.根据权利要求1所述的负载均衡方法，其特征在于，获取各个应用服务器节点的应用服务器信息之前，包括：
获取web应用层的web应用请求，其中所述web应用请求包括所述工作任务。
3.根据权利要求2所述的负载均衡方法，其特征在于，获取web应用层的web应用请求之后，还包括：
初始化所述负载均衡服务器；
对应的，将所述应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个所述应用服务器节点的负载均衡权重，包括：
判断各个所述应用服务器节点是否存在负载失衡；
若存在所述应用服务器节点负载失衡，则将所述应用服务器信息作为输入量，输入所述最小二乘支持向量机算法模型，输出各个所述应用服务器节点的负载均衡权重。
4.根据权利要求3所述的负载均衡方法，其特征在于，判断各个所述应用服务器节点是否存在负载失衡，包括：
判断各个所述应用服务器节点的所述web应用请求时间是否超过预设阈值；
若所述web应用请求时间超过预设阈值，则所述应用服务器节点负载失衡。
5.根据权利要求3所述的负载均衡方法，其特征在于，判断各个所述应用服务器节点是否存在负载失衡，包括：
判断各个所述应用服务器节点的所述CPU使用率是否超过第一预设使用率；
若所述CPU使用率超过第一预设使用率，则所述应用服务器节点负载失衡。
6.根据权利要求3所述的负载均衡方法，其特征在于，判断各个所述应用服务器节点是否存在负载失衡，包括：
判断各个所述应用服务器节点的所述内存使用率是否超过第二预设使用率；
若所述内存使用率超过第二预设使用率，则所述应用服务器节点负载失衡。
7.根据权利要求3所述的负载均衡方法，其特征在于，判断各个所述应用服务器节点是否存在负载失衡，包括：
判断各个所述应用服务器节点的所述磁盘IO利用率是否超过预设利用率；
若所述磁盘IO利用率超过预设利用率，则所述应用服务器节点负载失衡。
8.根据权利要求1至7任一项所述的负载均衡方法，其特征在于，所述最小二乘支持向量机算法模型的建立方法包括：
获取多个数据样本，所述数据样本包括应用服务器信息、负载均衡权重；
根据所述数据样本利用最小二乘支持向量机算法进行模型训练，得到初始最小二乘支持向量机算法模型；
获取多个测试样本，所述测试样本包括应用服务器信息、负载均衡权重；
利用所述测试样本对所述初始最小二乘支持向量机算法模型进行测试，得到测试成功率；
当所述测试成功率达到预设成功率时，得到所述最小二乘支持向量机算法模型。
9.一种负载均衡装置，其特征在于，包括：
应用服务器信息获取模块，用于获取各个应用服务器节点的应用服务器信息，其中，所述应用服务器信息包括CPU使用率、内存使用率、web应用请求时间、磁盘IO利用率；
负载均衡权重获取模块，用于将所述应用服务器信息作为输入量，输入最小二乘支持向量机算法模型，输出各个所述应用服务器节点的负载均衡权重；
分配模块，用于基于所述负载均衡权重分配工作任务至对应的应用服务器节点。
10.一种负载均衡服务器，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述负载均衡方法的步骤。
CN201910726064.2A 2019-08-07 2019-08-07 一种负载均衡方法、负载均衡装置和负载均衡服务器 Pending CN110597619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910726064.2A CN110597619A (zh) 2019-08-07 2019-08-07 一种负载均衡方法、负载均衡装置和负载均衡服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910726064.2A CN110597619A (zh) 2019-08-07 2019-08-07 一种负载均衡方法、负载均衡装置和负载均衡服务器

Publications (1)

Publication Number Publication Date
CN110597619A true CN110597619A (zh) 2019-12-20

Family

ID=68853764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910726064.2A Pending CN110597619A (zh) 2019-08-07 2019-08-07 一种负载均衡方法、负载均衡装置和负载均衡服务器

Country Status (1)

Country Link
CN (1) CN110597619A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111586139A (zh) * 2020-04-30 2020-08-25 中国银行股份有限公司 基于回声状态网络的信息传输方法及装置
CN111949404A (zh) * 2020-08-12 2020-11-17 北京金山云网络技术有限公司 调整服务器负载的方法、装置和相关设备
CN112732451A (zh) * 2021-01-22 2021-04-30 吉林工程技术师范学院 一种云环境中的负载均衡系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102142091A (zh) * 2011-03-30 2011-08-03 东华大学 一种核集成优化分类方法
CN106454437A (zh) * 2015-08-12 2017-02-22 中国移动通信集团设计院有限公司 一种流媒体业务速率预测方法及装置
CN106648890A (zh) * 2016-12-06 2017-05-10 中国科学院重庆绿色智能技术研究院 一种能耗感知的云计算服务器资源在线管理方法和系统
CN107196869A (zh) * 2017-07-14 2017-09-22 北京知道创宇信息技术有限公司 基于主机实际负载的自适应负载均衡方法、设备和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102142091A (zh) * 2011-03-30 2011-08-03 东华大学 一种核集成优化分类方法
CN106454437A (zh) * 2015-08-12 2017-02-22 中国移动通信集团设计院有限公司 一种流媒体业务速率预测方法及装置
CN106648890A (zh) * 2016-12-06 2017-05-10 中国科学院重庆绿色智能技术研究院 一种能耗感知的云计算服务器资源在线管理方法和系统
CN107196869A (zh) * 2017-07-14 2017-09-22 北京知道创宇信息技术有限公司 基于主机实际负载的自适应负载均衡方法、设备和系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111586139A (zh) * 2020-04-30 2020-08-25 中国银行股份有限公司 基于回声状态网络的信息传输方法及装置
CN111586139B (zh) * 2020-04-30 2022-08-19 中国银行股份有限公司 基于回声状态网络的信息传输方法及装置
CN111949404A (zh) * 2020-08-12 2020-11-17 北京金山云网络技术有限公司 调整服务器负载的方法、装置和相关设备
CN111949404B (zh) * 2020-08-12 2024-04-26 北京金山云网络技术有限公司 调整服务器负载的方法、装置和相关设备
CN112732451A (zh) * 2021-01-22 2021-04-30 吉林工程技术师范学院 一种云环境中的负载均衡系统

Similar Documents

Publication Publication Date Title
CN109218355B (zh) 负载均衡引擎，客户端，分布式计算系统以及负载均衡方法
CN110597619A (zh) 一种负载均衡方法、负载均衡装置和负载均衡服务器
WO2022160886A1 (en) Task allocation method, apparatus, storage medium, and electronic device
CN104994145B (zh) 一种基于kvm虚拟化集群的负载均衡方法
CN101815033B (zh) 负载均衡的方法、设备及系统
CN104092650B (zh) 一种分配业务请求的方法和装置
CN107124472A (zh) 负载均衡方法及装置、计算机可读存储介质
CN111131486B (zh) 执行节点的负载调节方法、装置、服务器及存储介质
CN107800768A (zh) 开放平台控制方法和系统
CN111629046B (zh) 边缘计算协同方法、边缘计算设备及终端
CN102541655A (zh) 一种实现动态负载均衡的方法和装置
CN108933829A (zh) 一种负载均衡方法及装置
CN110233866B (zh) 一种负载均衡方法及负载均衡器
CN108737544A (zh) Cdn节点调度方法和装置
CN107220108A (zh) 一种实现云数据中心负载均衡的方法和系统
CN112261120A (zh) 一种配电物联网云边协同任务卸载方法及装置
CN113037791B (zh) 运维方法和系统、计算机可读存储介质
CN109995818A (zh) 一种服务器负载均衡的方法及装置
CN110427160A (zh) 归置组分布的均衡方法及装置
Suwandika et al. Increasing SDN network performance using load balancing scheme on web server
Sedaghat et al. Divide the task, multiply the outcome: Cooperative vm consolidation
CN116647563A (zh) 负载均衡方法、设备及存储介质
CN115580618A (zh) 一种负载均衡方法、装置、设备及介质
Rajpoot et al. Load Balancing Strategies for Cloud Computing: A Simulation-Based Study
CN109040283A (zh) 一种基于差值反馈式的改进型负载均衡算法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220

RJ01 Rejection of invention patent application after publication