CN111083232B - 一种基于改进一致性哈希的服务器端负载均衡方法 - Google Patents
一种基于改进一致性哈希的服务器端负载均衡方法 Download PDFInfo
- Publication number
- CN111083232B CN111083232B CN201911375086.5A CN201911375086A CN111083232B CN 111083232 B CN111083232 B CN 111083232B CN 201911375086 A CN201911375086 A CN 201911375086A CN 111083232 B CN111083232 B CN 111083232B
- Authority
- CN
- China
- Prior art keywords
- server
- nodes
- node
- value
- hash
- 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
Links
Images
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
- H04L67/10—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
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computer And Data Communications (AREA)
Abstract
一种基于改进一致性哈希的服务器端负载均衡方法,通过该负载均衡方法,能够根据服务器性能动态调节服务器集群中的节点负载。该方法根据服务器集群中节点自身的性能以及在一个周期连接数构建虚拟节点,从而解决目前基于一致性hash的负载均衡系统的负载不均匀的问题。具体步骤如下:路由服务器周期性地维护服务器集群的节点个数和性能数据,根据节点的性能比和节点数量,计算每个节点需要构建的虚拟节点的数量;将集群节点和虚拟节点根据hash算法构建hash环;路由服务器周期性地维护每个集群节点的连接数;每个周期过后根据相同性能值下连接数的差异,计算虚拟节点数量冗余值;周期性重复上述五个步骤,更新虚拟节点的数量,重建hash环。
Description
技术领域
本发明属于Web服务器负载均衡领域,特别是涉及一种基于改进一致性哈希的服务器端负载均衡方法。
背景技术
随着电子商务的快速发展,传统单服务器的B/S端架构的电子商务网站及系统早已无法应对如今高并发的冲击,服务器一旦因此宕机,都会对用户及和电子商务企业带来巨大的不便与损失。在这个电商用户量爆炸的时代,确保大型网站在高并发和高吞吐量的冲击下不受影响,显得尤为重要,而服务器集群则是应对这一场景的重要的技术的手段。
目前基于服务器集群的负载均衡技术迅速发展,相应的负载均衡算法种类繁多。但是每个系统所在的环境,面对的用户种类,访问手段多种多样,每个服务器节点所面对的用户并发量的分配都是不一样的。如何根据服务器集群中节点的不同性能以及短时间内节点的真实负载不断调整负载均衡策略,是当前该领域的负载均衡方法需要解决、优化的核心问题。
目前,使用最多的两种负载均衡技术分别是硬负载均衡和软负载均衡。所述硬负载均衡表示采用负载均衡器的方法,使用硬件达到负载均衡。所述软负载表示在反向代理服务器中嵌入负载均衡算法,通过算法来实现均衡调度的功能。
专利CN110311957A公开了一种基于连接请求的负载均衡方法,将客户端发送的连接请求进行分级,并将服务器集群中的节点也进行分级映射,确保不同的级别的连接请求落到不同的服务器集群的节点中。对于高并发的场景,可以做到高性能服务器处理更多的请求。
专利CN110099083A公开了一种基于二次负载均衡的智能调度方法,在服务器集群进行首次负载均衡调度之后,获取服务器集群的总运行状态和各个服务器节点的单运行状态,回收已分配但未执行的任务重新分配,可以更加合理的利用服务器资源,使得负载均衡策略更加可控和灵活。
上述负载均衡方法都在一定程度上优化了现有的一些负载均衡方法,针对不同的并发场景和不同的服务器性能做到负载均衡策略的灵活与可控。但是,对于并发场景多变和服务器集群节点的性能差异以及频繁的增删节点个数同时存在的场景方面考虑不足。对于已经分配好的请求,若重新分配后会落在其他的集群节点上,不满足负载均衡策略的单调性,使得某个单一节点压力过大,不致过载。
发明内容
本发明提出了一种基于改进一致性哈希的服务器端负载均衡方法,用于解决现有的负载均衡方法灵活性和可控性过多低,对于不同的服务器性能和并发场景,负载不够均衡的情况。采用虚拟节点来改进一致性hash,同时根据服务器集群中节点的性能以及周期内的真实负载不断地调整虚拟节点的数量,使得负载均衡方法更加智能且高效。
一种基于改进一致性哈希的服务器端负载均衡方法,包括以下具体步骤:
步骤1,路由服务器周期性地维护服务器集群的节点个数和性能:所述路由服务器为反向代理服务器,用来分发前端传来的并发请求;所述服务器集群的节点性能由服务器的CPU、运行内存和网络带宽三个参数计算得出;
步骤2,根据节点的性能比和节点数量,计算每个节点需要构建的虚拟节点的数量;
步骤3,将集群节点和虚拟节点根据hash算法构建hash环;
步骤4,路由服务器周期性地维护每个集群节点的连接数;
步骤5,每个周期过后根据相同性能值下连接数的差异,计算虚拟节点数量冗余值;
步骤6,周期性重复步骤1至5,更新虚拟节点的数量,重建hash环,输出负载均衡策略,将连接落在对应的服务器集群节点上。
进一步地,步骤1中,所述服务器集群的节点性能根据如下公式计算:
F(Si)=Wcpu*Acpu+Wmem*Amem+Wband+Aband
其中,F(Si)表示服务器的性能值,Si表示第i个服务器,Acpu、Amem以及Aband表示CPU、运行内存和网络带宽三个参数,Wcpu、Wmem以及Wband表示这三个参数的权重系数,这三个权重系数满足如下公式:
Wcpu+Wmem+Wband=1
其中根据多次数据测试,将这三个系数Wcpu、Wmem以及Wband分别设置为0.6,0.2,0.2。
进一步地,步骤2中,所述节点的性能比根据以下如下公式计算:
其中F(Si)表示当前服务器集群节点的性能值,Min表示所有节点性能的最小值,Max表示所有节点性能的最大值;使用该公式计算出的节点性能比,位于(0,1)区间内。
进一步地,步骤2中,所述虚拟节点数量由如下公式计算:
N(Si)=E(Si)*K(n)+r
其中E(Si)表示节点的性能比,K(n)表示虚拟节点最大线性公式,根据当前的服务器集群中的节点数量,得到虚拟节点的最大数量值;r表示当前虚拟节点的冗余值,初始值为0,在经历步骤6后,路由服务器收到每个节点在周期内的真实负载,将重新计算冗余值,构建虚拟节点;
K(n)表示虚拟节点最大线性公式,采用如下公式计算:
其中,h,l,m表示线性系数,x表示集群节点数,k与x呈线性关系;n表示该函数的线性冗余值;
根据上述公式,根据当前的服务器集群中的节点数量和节点在服务器集群中的性能比,得到所要构建的虚拟节点的数量值。
进一步地,步骤3中,所述hash算法如下所示:
f=Hash(Si)%n
其中Hash表示表示计算集群节点hash值的hash函数,n表示服务器集群中节点的数量;根据集群节点和虚拟节点的hash值构建hash环,该步骤流程如下:
步骤3-1,将hash环的起点定义为0,终点定义为232,构建0~232的圆;
步骤3-2,将各个集群节点和虚拟节点根据上述hash函数计算出的hash值对应圆环上并构建相应的点,形成hash环。
进一步地,步骤4中,所述周期表示路由服务器维护每个集群节点的连接数的时间,所述连接数表示服务器节点在周期内所命中的并发请求数,该步骤流程如下:
步骤4-1,根据hash函数计算连接请求的hash值;
步骤4-2,顺时针查找hash环,找到对应的hash区间;
步骤4-3,如果该连接的hash值有对应的区间,找到区间对应的集群节点或虚拟节点,将连接请求落于hash环中对应的服务器集群节点上;
步骤4-4,如果顺时针查找一周并未找到对应区间,则将该连接请求落于hash环中的第一个服务器集群节点。
进一步地,步骤5中,所述性能值为步骤1中所计算的服务器的性能值,所述虚拟节点冗余值为步骤2中虚拟节点数量计算公式中的冗余值r,该步骤流程如下:
将性能值相同的集群节点分组;根据分组,按照步骤4依次获取周期内该集群节点的连接数;将集群节点在周期内的连接数按照分组上传给路由服务器,计算虚拟节点冗余值r:
r=N(Si)*R(C(Si),F(Si))
其中N(Si)表示步骤二中所计算的虚拟节点数量值,R(Si)表示冗余系数线性函数,参数C(Si)表示当前节点在周期内的连接数,F(Si)表示该节点的性能值;
采用如下公式计算:
其中参数C(Si)表示当前节点在周期内的连接数,Avg(C(Si))表示该性能值下连接数的平均值,根据相同性能下连接数的不同,针对性能值高而负载低和性能值低而负载高两种情况,冗余系数的计算函数不同,当性能值高而负载低时,需增加虚拟节点,增加负载;当性能值低而负载高时,需减少虚拟节点,减少负载。
进一步地,针对性能值高而负载低和性能值低而负载高两种情况,冗余系数的计算函数的步骤流程如下:
在同一个分组内,计算分组内集群节点连接数的平均值;遍历所有分组,循环执行上一步;如果分组性能值高,对于连接数低于分组平均值的服务器集群节点,冗余函数线性系数采用如下公式计算:
其中参数C(Si)表示当前节点在周期内的连接数,Avg(C(Si))表示该性能值下连接数的平均值;
如果分组性能值低,对于连接数高于分组平均值的服务器集群节点,冗余函数线性系数采用如下公式计算:
其中参数C(Si)表示当前节点在周期内的连接数,Avg(C(Si))表示该性能值下连接数的平均值。
本发明具有如下有益效果:通过增加虚拟节点,解决基于一致性hash的负载均衡算法的倾斜性;由服务器集群中节点的性能值和节点个数控制所增的虚拟节点的数量;周期内根据节点的性能值和真实负载,通过冗余值更新虚拟节点的数量。
附图说明
图1为本发明实施例中服务器端负载均衡方法的总体流程示意图。
图2为本发明实施例中服务器端负载均衡方法所使用的数据结构设计图。
图3为本发明实施例中服务器端负载均衡方法计算冗余值的流程图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种基于改进一致性哈希的服务器端负载均衡方法,包括以下具体步骤:
步骤1,路由服务器周期性地维护服务器集群的节点个数和性能:所述路由服务器为反向代理服务器,用来分发前端传来的并发请求;所述服务器集群的节点性能由服务器的CPU、运行内存和网络带宽三个参数计算得出。
所述服务器集群的节点性能根据如下公式计算:
F(Si)=Wcpu*Acpu+Wmem*Amem+Wband+Aband
其中,F(Si)表示服务器的性能值,Si表示第i个服务器,Acpu、Amem以及Aband表示CPU、运行内存和网络带宽三个参数,Wcpu、Wmem以及Wband表示这三个参数的权重系数,这三个权重系数满足如下公式:
Wcpu+Wmem+Wband=1
其中根据多次数据测试,将这三个系数Wcpu、Wmem以及Wband分别设置为0.6,0.2,0.2。
步骤2,根据节点的性能比和节点数量,计算每个节点需要构建的虚拟节点的数量。
步骤2中,所述节点的性能比根据以下如下公式计算:
其中F(Si)表示当前服务器集群节点的性能值,Min表示所有节点性能的最小值,Max表示所有节点性能的最大值;使用该公式计算出的节点性能比,位于(0,1)区间内。
所述虚拟节点数量由如下公式计算:
N(Si)=E(Si)*K(n)+r
其中E(Si)表示节点的性能比,K(n)表示虚拟节点最大线性公式,根据当前的服务器集群中的节点数量,得到虚拟节点的最大数量值;r表示当前虚拟节点的冗余值,初始值为0,在经历步骤6后,路由服务器收到每个节点在周期内的真实负载,将重新计算冗余值,构建虚拟节点。
K(n)表示虚拟节点最大线性公式,采用如下公式计算:
其中,h,l,m表示线性系数,x表示集群节点数,k与x呈线性关系;n表示该函数的线性冗余值。
根据上述公式,根据当前的服务器集群中的节点数量和节点在服务器集群中的性能比,得到所要构建的虚拟节点的数量值。
步骤3,将集群节点和虚拟节点根据hash算法构建hash环。
步骤3中,所述hash算法如下所示:
f=Hash(Si)%n
其中Hash表示表示计算集群节点hash值的hash函数,n表示服务器集群中节点的数量;根据集群节点和虚拟节点的hash值构建hash环,该步骤流程如下:
步骤3-1,将hash环的起点定义为0,终点定义为232,构建0~232的圆。
步骤3-2,将各个集群节点和虚拟节点根据上述hash函数计算出的hash值对应圆环上并构建相应的点,形成hash环。
步骤4,路由服务器周期性地维护每个集群节点的连接数。
步骤4中,所述周期表示路由服务器维护每个集群节点的连接数的时间,所述连接数表示服务器节点在周期内所命中的并发请求数,该步骤流程如下:
步骤4-1,根据hash函数计算连接请求的hash值。
步骤4-2,顺时针查找hash环,找到对应的hash区间。
步骤4-3,如果该连接的hash值有对应的区间,找到区间对应的集群节点或虚拟节点,将连接请求落于hash环中对应的服务器集群节点上。
步骤4-4,如果顺时针查找一周并未找到对应区间,则将该连接请求落于hash环中的第一个服务器集群节点。
步骤5,每个周期过后根据相同性能值下连接数的差异,计算虚拟节点数量冗余值。
步骤5中,所述性能值为步骤1中所计算的服务器的性能值,所述虚拟节点冗余值为步骤2中虚拟节点数量计算公式中的冗余值r,该步骤流程如下:
将性能值相同的集群节点分组;根据分组,按照步骤4依次获取周期内该集群节点的连接数;将集群节点在周期内的连接数按照分组上传给路由服务器,计算虚拟节点冗余值r:
r=N(Si)*R(C(Si),F(Si))
其中N(Si)表示步骤二中所计算的虚拟节点数量值,R(Si)表示冗余系数线性函数,参数C(Si)表示当前节点在周期内的连接数,F(Si)表示该节点的性能值。
采用如下公式计算:
其中参数C(Si)表示当前节点在周期内的连接数,Avg(C(Si))表示该性能值下连接数的平均值,根据相同性能下连接数的不同,针对性能值高而负载低和性能值低而负载高两种情况,冗余系数的计算函数不同,当性能值高而负载低时,需增加虚拟节点,增加负载;当性能值低而负载高时,需减少虚拟节点,减少负载。
针对性能值高而负载低和性能值低而负载高两种情况,冗余系数的计算函数的步骤流程如下:
在同一个分组内,计算分组内集群节点连接数的平均值;遍历所有分组,循环执行上一步;如果分组性能值高,对于连接数低于分组平均值的服务器集群节点,冗余函数线性系数采用如下公式计算:
其中参数C(Si)表示当前节点在周期内的连接数,Avg(C(Si))表示该性能值下连接数的平均值。
如果分组性能值低,对于连接数高于分组平均值的服务器集群节点,冗余函数线性系数采用如下公式计算:
其中参数C(Si)表示当前节点在周期内的连接数,Avg(C(Si))表示该性能值下连接数的平均值。
步骤6,周期性重复步骤1至5,更新虚拟节点的数量,重建hash环,输出负载均衡策略,将连接落在对应的服务器集群节点上。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (8)
1.一种基于改进一致性哈希的服务器端负载均衡方法,其特征在于:包括以下具体步骤:
步骤1,路由服务器周期性地维护服务器集群的节点个数和性能:所述路由服务器为反向代理服务器,用来分发前端传来的并发请求;所述服务器集群的节点性能由服务器的CPU、运行内存和网络带宽三个参数计算得出;
步骤2,根据节点的性能比和节点数量,计算每个节点需要构建的虚拟节点的数量;
步骤3,将集群节点和虚拟节点根据hash算法构建hash环;
步骤4,路由服务器周期性地维护每个集群节点的连接数;
步骤5,每个周期过后根据相同性能值下连接数的差异,计算虚拟节点数量冗余值;
步骤6,周期性重复步骤1至5,更新虚拟节点的数量,重建hash环,输出负载均衡策略,将连接落在对应的服务器集群节点上。
2.根据权利要求1所述的一种基于改进一致性哈希的服务器端负载均衡方法,其特征在于:步骤1中,所述服务器集群的节点性能根据如下公式计算:
F(Si)=Wcpu*Acpu+Wmem*Amem+Wband+Aband
其中,F(Si)表示服务器的性能值,Si表示第i个服务器,Acpu、Amem以及Aband表示CPU、运行内存和网络带宽三个参数,Wcpu、Wmem以及Wband表示这三个参数的权重系数,这三个权重系数满足如下公式:
Wcpu+Wmem+Wband=1
其中根据多次数据测试,将这三个系数Wcpu、Wmem以及Wband分别设置为0.6,0.2,0.2。
4.根据权利要求1所述的一种基于改进一致性哈希的服务器端负载均衡方法,其特征在于:步骤2中,所述虚拟节点数量由如下公式计算:
N(Si)=E(Si)*K(n)+r
其中E(Si)表示节点的性能比,K(n)表示虚拟节点最大线性公式,根据当前的服务器集群中的节点数量,得到虚拟节点的最大数量值;r表示当前虚拟节点的冗余值,初始值为0,在经历步骤6后,路由服务器收到每个节点在周期内的真实负载,将重新计算冗余值,构建虚拟节点;
K(n)表示虚拟节点最大线性公式,采用如下公式计算:
其中,h,l,m表示线性系数,x表示集群节点数,k与x呈线性关系;n表示该函数的线性冗余值;
根据上述公式,根据当前的服务器集群中的节点数量和节点在服务器集群中的性能比,得到所要构建的虚拟节点的数量值。
5.根据权利要求1所述的一种基于改进一致性哈希的服务器端负载均衡方法,其特征在于:步骤3中,所述hash算法如下所示:
f=Hash(Si)%n
其中Hash表示表示计算集群节点hash值的hash函数,n表示服务器集群中节点的数量;根据集群节点和虚拟节点的hash值构建hash环,该步骤流程如下:
步骤3-1,将hash环的起点定义为0,终点定义为232,构建0~232的圆;
步骤3-2,将各个集群节点和虚拟节点根据上述hash函数计算出的hash值对应圆环上并构建相应的点,形成hash环。
6.根据权利要求1所述的一种基于改进一致性哈希的服务器端负载均衡方法,其特征在于:步骤4中,所述周期表示路由服务器维护每个集群节点的连接数的时间,所述连接数表示服务器节点在周期内所命中的并发请求数,该步骤流程如下:
步骤4-1,根据hash函数计算连接请求的hash值;
步骤4-2,顺时针查找hash环,找到对应的hash区间;
步骤4-3,如果该连接的hash值有对应的区间,找到区间对应的集群节点或虚拟节点,将连接请求落于hash环中对应的服务器集群节点上;
步骤4-4,如果顺时针查找一周并未找到对应区间,则将该连接请求落于hash环中的第一个服务器集群节点。
7.根据权利要求1所述的一种基于改进一致性哈希的服务器端负载均衡方法,其特征在于:步骤5中,所述性能值为步骤1中所计算的服务器的性能值,所述虚拟节点冗余值为步骤2中虚拟节点数量计算公式中的冗余值r,该步骤流程如下:
将性能值相同的集群节点分组;根据分组,按照步骤4依次获取周期内该集群节点的连接数;将集群节点在周期内的连接数按照分组上传给路由服务器,计算虚拟节点冗余值r:
r=N(Si)*R(C(Si),F(Si))
其中N(Si)表示步骤二中所计算的虚拟节点数量值,R(Si)表示冗余系数线性函数,参数C(Si)表示当前节点在周期内的连接数,F(Si)表示该节点的性能值;
采用如下公式计算:
其中参数C(Si)表示当前节点在周期内的连接数,Avg(C(Si))表示该性能值下连接数的平均值,根据相同性能下连接数的不同,针对性能值高而负载低和性能值低而负载高两种情况,冗余系数的计算函数不同,当性能值高而负载低时,需增加虚拟节点,增加负载;当性能值低而负载高时,需减少虚拟节点,减少负载。
8.根据权利要求7所述的一种基于改进一致性哈希的服务器端负载均衡方法,其特征在于:针对性能值高而负载低和性能值低而负载高两种情况,冗余系数的计算函数的步骤流程如下:
在同一个分组内,计算分组内集群节点连接数的平均值;遍历所有分组,循环执行上一步;如果分组性能值高,对于连接数低于分组平均值的服务器集群节点,冗余函数线性系数采用如下公式计算:
其中参数C(Si)表示当前节点在周期内的连接数,Avg(C(Si))表示该性能值下连接数的平均值;
如果分组性能值低,对于连接数高于分组平均值的服务器集群节点,冗余函数线性系数采用如下公式计算:
其中参数C(Si)表示当前节点在周期内的连接数,Avg(C(Si))表示该性能值下连接数的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375086.5A CN111083232B (zh) | 2019-12-27 | 2019-12-27 | 一种基于改进一致性哈希的服务器端负载均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375086.5A CN111083232B (zh) | 2019-12-27 | 2019-12-27 | 一种基于改进一致性哈希的服务器端负载均衡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111083232A CN111083232A (zh) | 2020-04-28 |
CN111083232B true CN111083232B (zh) | 2022-06-28 |
Family
ID=70318450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911375086.5A Active CN111083232B (zh) | 2019-12-27 | 2019-12-27 | 一种基于改进一致性哈希的服务器端负载均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111083232B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111786946B (zh) * | 2020-05-18 | 2022-12-09 | 中国电子科技集团公司电子科学研究院 | 拟态云服务异构执行体调度方法和装置 |
CN112311876B (zh) * | 2020-10-30 | 2022-08-16 | 武汉绿色网络信息服务有限责任公司 | 通过负载均衡设备确定当前会话的后端设备的方法与设备 |
CN113382074A (zh) * | 2021-06-10 | 2021-09-10 | 东南大学 | 一种基于动态反馈的微服务负载均衡优化方法 |
CN113689103B (zh) * | 2021-08-18 | 2023-11-24 | 国电南瑞南京控制系统有限公司 | 自适应负载均衡用采分流智能调度管理方法、装置及系统 |
CN114090394B (zh) * | 2022-01-19 | 2022-04-22 | 山东卓朗检测股份有限公司 | 分布式服务器集群负载异常分析方法 |
CN114615277B (zh) * | 2022-03-04 | 2024-01-16 | 杭州觅恒科技有限公司 | 一种基于emq x的多集群动态扩展方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014116875A2 (en) * | 2013-01-23 | 2014-07-31 | Nexenta Systems, Inc. | Scalable transport for multicast replication and scalable object storage using multicast transport |
CN104035880A (zh) * | 2014-06-09 | 2014-09-10 | 南京邮电大学 | 一种多种存储介质并存下的多路数据分配方法 |
CN104283717A (zh) * | 2014-10-24 | 2015-01-14 | 东软集团股份有限公司 | 一种预测虚拟网络资源状态的方法及装置 |
CN104618455A (zh) * | 2015-01-12 | 2015-05-13 | 北京中交兴路车联网科技有限公司 | 一种通用缓存系统及其方法 |
CN107483519A (zh) * | 2016-06-08 | 2017-12-15 | Tcl集团股份有限公司 | 一种Memcache负载均衡方法及其系统 |
CN108551474A (zh) * | 2018-03-26 | 2018-09-18 | 南京邮电大学 | 一种服务器集群的负载均衡方法 |
CN108733475A (zh) * | 2018-05-22 | 2018-11-02 | 哈尔滨工业大学(威海) | 一种动态反馈调度方法 |
CN109033292A (zh) * | 2018-07-13 | 2018-12-18 | 南京邮电大学 | 一种数据库分布式缓存系统及方法 |
CN109218438A (zh) * | 2018-10-12 | 2019-01-15 | 山东科技大学 | 一种分布式缓存服务器集群的性能优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9553809B2 (en) * | 2013-04-16 | 2017-01-24 | Amazon Technologies, Inc. | Asymmetric packet flow in a distributed load balancer |
US9923970B2 (en) * | 2014-08-22 | 2018-03-20 | Nexenta Systems, Inc. | Multicast collaborative erasure encoding and distributed parity protection |
-
2019
- 2019-12-27 CN CN201911375086.5A patent/CN111083232B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014116875A2 (en) * | 2013-01-23 | 2014-07-31 | Nexenta Systems, Inc. | Scalable transport for multicast replication and scalable object storage using multicast transport |
CN104035880A (zh) * | 2014-06-09 | 2014-09-10 | 南京邮电大学 | 一种多种存储介质并存下的多路数据分配方法 |
CN104283717A (zh) * | 2014-10-24 | 2015-01-14 | 东软集团股份有限公司 | 一种预测虚拟网络资源状态的方法及装置 |
CN104618455A (zh) * | 2015-01-12 | 2015-05-13 | 北京中交兴路车联网科技有限公司 | 一种通用缓存系统及其方法 |
CN107483519A (zh) * | 2016-06-08 | 2017-12-15 | Tcl集团股份有限公司 | 一种Memcache负载均衡方法及其系统 |
CN108551474A (zh) * | 2018-03-26 | 2018-09-18 | 南京邮电大学 | 一种服务器集群的负载均衡方法 |
CN108733475A (zh) * | 2018-05-22 | 2018-11-02 | 哈尔滨工业大学(威海) | 一种动态反馈调度方法 |
CN109033292A (zh) * | 2018-07-13 | 2018-12-18 | 南京邮电大学 | 一种数据库分布式缓存系统及方法 |
CN109218438A (zh) * | 2018-10-12 | 2019-01-15 | 山东科技大学 | 一种分布式缓存服务器集群的性能优化方法 |
Non-Patent Citations (4)
Title |
---|
IoT: Internet of Threats? A Survey of Practical Security Vulnerabilities in Real IoT Devices;Francesca Meneghello;《IEEE》;20190813;全文 * |
利用虚拟节点的动态结构化P2P网络性能研究;李伟等;《武汉大学学报(信息科学版)》;20111231(第12期);全文 * |
基于Amoeba的数据库负载均衡中间件的设计与实现;王万;《中国优秀硕士学位论文全文数据库信息科技辑》;20170630;全文 * |
基于键值存储的RTB广告买方平台的研究与设计;钟强;《中国优秀硕士学位论文全文数据库信息科技辑》;20131231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111083232A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111083232B (zh) | 一种基于改进一致性哈希的服务器端负载均衡方法 | |
CN111382844B (zh) | 一种深度学习模型的训练方法及装置 | |
CN113110933B (zh) | 一种具有Nginx负载均衡技术的系统 | |
CN112817752B (zh) | 一种分布式数据库动态负载均衡方法 | |
Shen et al. | Swarm intelligence based file replication and consistency maintenance in structured P2P file sharing systems | |
Wang et al. | A k-coordinated decentralized replica placement algorithm for the ring-based CDN-P2P architecture | |
CN103281374A (zh) | 一种云存储中数据快速调度的方法 | |
CN113382074A (zh) | 一种基于动态反馈的微服务负载均衡优化方法 | |
Liu et al. | Task scheduling in cloud computing based on improved discrete particle swarm optimization | |
CN110380906B (zh) | 一种大规模多维融合的虚拟网络映射方法 | |
CN117155942A (zh) | 一种微服务动态自适应客户端负载均衡方法及系统 | |
CN111506431A (zh) | 一种云服务器在能耗约束下感知负载性能优化方法 | |
CN116629305A (zh) | 基于粒子群算法的联邦学习优化方法及装置 | |
CN114118444B (zh) | 一种利用启发式算法降低联邦学习中设备空跑时间的方法 | |
CN110689175A (zh) | 混沌多重宇宙的分布式绿色云数据中心能耗优化方法 | |
CN113688115A (zh) | 一种基于Hadoop的档案大数据分布式存储系统 | |
CN109120480B (zh) | 基于数据中心的链路优化方法及装置 | |
CN113672372A (zh) | 一种基于强化学习的多边缘协同负载均衡任务调度方法 | |
CN110138863B (zh) | 基于Multi-Paxos分组的自适应一致性协议优化方法 | |
CN107341057A (zh) | 一种数据处理方法及装置 | |
CN113377544A (zh) | 一种基于负荷数据动态更新率的web集群负载均衡方法 | |
Li et al. | Consistency aware update schedule in multi-server Distributed Virtual Environments | |
Wang et al. | A general p2p scheme for constructing large-scale virtual environments | |
CN111818119A (zh) | 基于改进的蜘蛛集群的数据服务资源优化调度方法 | |
CN109150739A (zh) | 一种基于moea/d的多目标基站主动存储分配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |