基于動(dòng)態(tài)反饋機(jī)制的服務(wù)器負(fù)載均衡算法研究

李坤

(西安郵電大學(xué) 計(jì)算機(jī)學(xué)院,陜西 西安710061)

摘要針對(duì)當(dāng)前已有負(fù)載均衡算法無(wú)法準(zhǔn)確反映服務(wù)器負(fù)載的大小和手動(dòng)設(shè)置服務(wù)器權(quán)值比較固定等方面所存在的不足,提出了一種基于動(dòng)態(tài)反饋機(jī)制的服務(wù)器負(fù)載均衡算法。本算法綜合考慮服務(wù)器各種性能因素,并根據(jù)當(dāng)前負(fù)載動(dòng)態(tài)調(diào)整權(quán)值,再依據(jù)算法調(diào)整服務(wù)器負(fù)載,使得服務(wù)器實(shí)現(xiàn)負(fù)載均衡。通過(guò)使用OPNET仿真軟件證明該算法相對(duì)于傳統(tǒng)算法能夠減少服務(wù)器延遲,提高平均響應(yīng)速率,并且有效地平衡了集群中服務(wù)器的負(fù)載。

關(guān)鍵詞服務(wù)器集群;負(fù)載均衡;OPNET

收稿日期:2015-02-11

作者簡(jiǎn)介:李坤(1988—),男,碩士研究生。研究方向:面向服務(wù)的計(jì)算。E-mail:843789440@qq.com

doi:10.16180/j.cnki.issn1007-7820.2015.09.012

中圖分類(lèi)號(hào)TP301.6

Server Load Balancing Algorithm Based on Dynamic Feedback

LI Kun

(School of Computer Science,Xi’an University of Posts and Telecommunications,Xi’an 710061,China)

AbstractAiming at some existing disadvantages of load balance algorithm that the load balance algorithm can not reflect the situation of servers’ load correctly and that the manual weight setting is inflexible,this paper puts forward an improved and new load balancing algorithm named adaptive weighted least-load algorithm.Server performance factors are considered,and the weight is dynamically adjusted according to the load of each server to make sure that the load of the server cluster is balanced.Simulation by OPNET indicates that the new algorithm can reduce the service delay,improve the average response rate and balance servers’ load effectively compared with existing load balance algorithm.

Keywordsserver cluster;load balancing;OPNET

隨著網(wǎng)絡(luò)的飛速發(fā)展,各個(gè)網(wǎng)站的訪問(wèn)量急速增長(zhǎng),這就給網(wǎng)站的運(yùn)營(yíng)帶來(lái)了新的挑戰(zhàn)。如何提供穩(wěn)定、不間斷的高質(zhì)量服務(wù)已成為網(wǎng)站管理者急需解決的問(wèn)題。負(fù)載均衡技術(shù)正是處理這些狀況的重要技術(shù)之一[1]。

負(fù)載均衡的目的是將大量的數(shù)據(jù)流量和并發(fā)訪問(wèn)均衡分?jǐn)偟蕉鄠€(gè)節(jié)點(diǎn)上進(jìn)行分別處理以減少用戶(hù)等待和用戶(hù)響應(yīng)時(shí)間,并將單個(gè)負(fù)載較重節(jié)點(diǎn)的運(yùn)算分?jǐn)偟蕉鄠€(gè)節(jié)點(diǎn)上并行處理的過(guò)程[2]。每一節(jié)點(diǎn)將處理的結(jié)果匯集起來(lái)反饋給用戶(hù),這樣一來(lái),系統(tǒng)的處理能力將大幅地提高。

負(fù)載均衡通過(guò)響應(yīng)的負(fù)載調(diào)度策略實(shí)現(xiàn),也就是負(fù)載均衡算法。目前,常用的負(fù)載均衡算法包括:輪轉(zhuǎn)調(diào)度(Round-Robin Scheduling,RR)[3]、最小連接調(diào)度(Least-Connection Scheduling,LC)、最快響應(yīng)調(diào)度(Faster-Response Scheduling,FR)等。

RR算法使用簡(jiǎn)單的輪詢(xún)實(shí)現(xiàn)服務(wù)器調(diào)度,簡(jiǎn)單、高效,但它并未考慮服務(wù)器的連接狀態(tài)和不同服務(wù)器間性能的差異,若服務(wù)器的配置或者用戶(hù)請(qǐng)求服務(wù)時(shí)間的變化比較大的情況下,不能達(dá)到服務(wù)器負(fù)載均衡的狀態(tài)[4]。加權(quán)輪轉(zhuǎn)調(diào)度(Weighted Round-Robin Scheduling,WRR)給不同服務(wù)器不同的權(quán)值,用以區(qū)分不同服務(wù)器的處理能力,考慮了不同服務(wù)器的性能差異。但WRR并未考慮服務(wù)器的當(dāng)前狀態(tài)以及用戶(hù)請(qǐng)求連接數(shù)的影響[5]。加權(quán)最小連接調(diào)度(Weighted Least-Connection Scheduling,WLC)是在LC算法的基礎(chǔ)上使用權(quán)值來(lái)描述服務(wù)器的性能,并綜合考慮各個(gè)服務(wù)器性能差異和服務(wù)器的連接數(shù)對(duì)其負(fù)載影響的改進(jìn)算法,它大幅提升了系統(tǒng)效率,但當(dāng)請(qǐng)求服務(wù)的時(shí)間變化較大時(shí),仍然比較容易導(dǎo)致集群間的服務(wù)器負(fù)載不均衡[5]。

本文在現(xiàn)有服務(wù)器負(fù)載均衡算法的基礎(chǔ)上提出一種基于自適應(yīng)加權(quán)最小負(fù)載的負(fù)載均衡算法來(lái)解決上述問(wèn)題。實(shí)驗(yàn)證明,在相同的訪問(wèn)環(huán)境中,本文改進(jìn)的負(fù)載均衡算法更有效。

1常見(jiàn)的負(fù)載均衡算法

負(fù)載均衡模塊主要任務(wù)是接收請(qǐng)求,并分析服務(wù)器負(fù)載,而后使用相應(yīng)的負(fù)載均衡算法進(jìn)行負(fù)載均衡策略調(diào)整,將請(qǐng)求分發(fā)給相應(yīng)的服務(wù)器,最終完成負(fù)載均衡。負(fù)載均衡的過(guò)程可分為[6]:數(shù)據(jù)包的分析、負(fù)載信息的收集、負(fù)載均衡以及請(qǐng)求轉(zhuǎn)發(fā)4個(gè)過(guò)程。本文采用IP層的NAT技術(shù)和自適應(yīng)加權(quán)最小負(fù)載的負(fù)載均衡算法,其整體功能結(jié)構(gòu)如圖1所示。

圖1　負(fù)載均衡過(guò)程

數(shù)據(jù)包分析用于記錄外部請(qǐng)求的IP信息和端口信息,并進(jìn)行業(yè)務(wù)類(lèi)型的識(shí)別和轉(zhuǎn)換;負(fù)載信息的收集模塊主要用于收集服務(wù)器集群中的負(fù)載信息,并計(jì)算服務(wù)器的綜合負(fù)載情況;負(fù)載均衡模塊根據(jù)相應(yīng)的負(fù)載均衡算法選擇合適的服務(wù)器以響應(yīng)用戶(hù)請(qǐng)求;請(qǐng)求轉(zhuǎn)發(fā)模塊主要是將接收的外部請(qǐng)求數(shù)據(jù)包發(fā)送到通過(guò)負(fù)載均衡算法選中的服務(wù)器進(jìn)行處理,然后向用戶(hù)提供連接響應(yīng)。

1.1　輪轉(zhuǎn)算法

輪轉(zhuǎn)算法(RR)將請(qǐng)求以簡(jiǎn)單的輪詢(xún)方式依次分配給不同的服務(wù)器,其認(rèn)為每臺(tái)服務(wù)器均相同,無(wú)差異。當(dāng)有新連接到達(dá)服務(wù)器“i=(i+1)modn”集群后,負(fù)載均衡模塊選擇服務(wù)器“”算法。選擇對(duì)應(yīng)的節(jié)點(diǎn)提供服務(wù)。RR算法實(shí)現(xiàn)簡(jiǎn)單,但并不符合實(shí)際情況,因而實(shí)際應(yīng)用過(guò)程中并不能明顯提高服務(wù)器集群效率。

1.2　加權(quán)輪轉(zhuǎn)算法

加權(quán)輪轉(zhuǎn)算法(WRR)是基于輪轉(zhuǎn)算法的改進(jìn),該算法使用權(quán)值來(lái)描述不同服務(wù)器的處理能力,權(quán)值越大,服務(wù)器性能越好,連接到外部請(qǐng)求的優(yōu)先度越高[5]。WRR同時(shí)按照服務(wù)器權(quán)值來(lái)分配連接數(shù)比例,對(duì)于具有相同權(quán)值的服務(wù)器,其按照RR算法進(jìn)行輪詢(xún)。加權(quán)輪轉(zhuǎn)算法考慮了服務(wù)器性能的影響,但卻未考慮不同服務(wù)器連接數(shù)的影響。因而仍具有一定的局限性。

1.3　最少連接算法

即最少連接算法(LC)就是優(yōu)先選擇連接數(shù)最少的服務(wù)器給外部請(qǐng)求提供服務(wù)[7]。LC算法動(dòng)態(tài)地獲取服務(wù)器的連接數(shù)來(lái)描述服務(wù)器的負(fù)載情況。簡(jiǎn)單地用連接數(shù)描述負(fù)載,并未考慮到服務(wù)器性能的影響,因而比較片面。

1.4　加權(quán)最少連接算法(WLC)

加權(quán)最少連接WLC算法是在最少連接LC算法的基礎(chǔ)上,通過(guò)使用權(quán)值描述不同服務(wù)器的服務(wù)能力,并給不同服務(wù)能力的服務(wù)器分配不同的連接數(shù)量的負(fù)載均衡算法[8]。WLC算法并不是從服務(wù)器中選擇權(quán)值較大的服務(wù)器提供請(qǐng)求響應(yīng),而是從集群的服務(wù)器中找出連接數(shù)和服務(wù)器權(quán)值比值最小的服務(wù)器,讓其對(duì)外提供服務(wù)[9]。

2動(dòng)態(tài)反饋機(jī)制

動(dòng)態(tài)反饋是指,在集群運(yùn)行期間,由于集群內(nèi)不同服務(wù)器具有不同的處理性能,因此所承受的負(fù)載也不同,在任務(wù)處理過(guò)程中,每臺(tái)服務(wù)器的處理性能和任務(wù)分配之前的處理性能已經(jīng)出現(xiàn)偏差,這時(shí)就需要集群內(nèi)的服務(wù)器將當(dāng)前的自身狀態(tài)動(dòng)態(tài)的傳遞到負(fù)載均衡器,負(fù)載均衡器收到新的狀態(tài)信息后便會(huì)更新已有信息,從而跟均衡地分配任務(wù)請(qǐng)求。動(dòng)態(tài)反饋機(jī)制的模型如圖2所示。

圖2　動(dòng)態(tài)反饋模型

其中,W表示每臺(tái)服務(wù)器上一次處理能力的狀態(tài),W1表示當(dāng)前處理能力的狀態(tài),后端服務(wù)器節(jié)點(diǎn)向調(diào)度器動(dòng)態(tài)反饋服務(wù)器當(dāng)前狀態(tài)。通過(guò)算法F()計(jì)算出新的權(quán)值。

3改進(jìn)的負(fù)載均衡算法

3.1　概念描述

3.1.1服務(wù)器負(fù)載剩余的計(jì)算

算法引入負(fù)載剩余概念,負(fù)載剩余是指集群內(nèi)各臺(tái)服務(wù)器還能承擔(dān)負(fù)載的多少,從反面反映了各臺(tái)服務(wù)器的負(fù)載狀況。負(fù)載剩余的計(jì)算方法描述如下:設(shè)Ci為第i臺(tái)服務(wù)器的CPU剩余利用率,Mi為第i臺(tái)服務(wù)器的內(nèi)存的剩余利用率,k1和k2分別為CPU和內(nèi)存的常量系數(shù),其中∑ki=1。則集群內(nèi)每臺(tái)服務(wù)器的負(fù)載剩余L計(jì)算公式表示如下

L=k1C+k2M

(1)

本算法只選用CPU和內(nèi)用兩個(gè)最主要性能指標(biāo)來(lái)衡量集群內(nèi)服務(wù)器的負(fù)載情況,是為了減少額外的開(kāi)銷(xiāo)。負(fù)載剩余L表示了服務(wù)器還能承受負(fù)載的多少,L越大,表示服務(wù)器上的負(fù)載越小,負(fù)載的剩余越大,還能承擔(dān)更多的負(fù)載;反之,L越小,表示服務(wù)器的上的負(fù)載較大,負(fù)載的剩余越小,需要暫?；驕p緩為該服務(wù)器分配任務(wù)。

3.1.2權(quán)值的動(dòng)態(tài)調(diào)整

在任務(wù)請(qǐng)求到達(dá)之前,系統(tǒng)管理員會(huì)根據(jù)集群內(nèi)每臺(tái)服務(wù)器的配置信息和通過(guò)估計(jì)每臺(tái)服務(wù)器處理任務(wù)的能力預(yù)先為該臺(tái)服務(wù)器設(shè)置一個(gè)權(quán)值,處理任務(wù)能力越強(qiáng)的服務(wù)器的權(quán)值設(shè)置越高;反之,處理能力稍弱的服務(wù)器的權(quán)值設(shè)置就相對(duì)較低。權(quán)值作為負(fù)載均衡調(diào)度策略中最重要的元素之一,體現(xiàn)了集群內(nèi)服務(wù)器承擔(dān)負(fù)載的能力各不相同。在本算法中,當(dāng)集群內(nèi)的各臺(tái)服務(wù)處理任務(wù)時(shí),隨時(shí)間的不斷增加,每臺(tái)服務(wù)器的負(fù)載剩余能力也隨之不斷變化,通過(guò)對(duì)服務(wù)器權(quán)值的動(dòng)態(tài)調(diào)整,并結(jié)合每臺(tái)服務(wù)器的真實(shí)負(fù)載情況,使得權(quán)值較高的服務(wù)器相對(duì)接收更多的任務(wù),而權(quán)值較低的服務(wù)接收較少的任務(wù),以達(dá)到負(fù)載均衡器能夠合理的分配任務(wù)。

假設(shè)集群內(nèi)的服務(wù)器數(shù)量為n,其中Si表示集群內(nèi)第i臺(tái)服務(wù)器,第i臺(tái)服務(wù)器的權(quán)值表示為W(i),當(dāng)前該臺(tái)服務(wù)器的負(fù)載剩余為L(zhǎng)(i),通過(guò)動(dòng)態(tài)改變的新的權(quán)值為W’(i)。設(shè)集群內(nèi)第i臺(tái)服務(wù)器當(dāng)前的負(fù)載剩余L(i)和權(quán)值W(i)的比值為ratio_LW,集群內(nèi)所有服務(wù)器ratio_LW的平均值為AVG_ratio_LW,其計(jì)算公式為

(2)

(3)

通過(guò)計(jì)算出兩者的值后,根據(jù)ratio_LW和AVG_ratio_LW兩個(gè)值之間的關(guān)系來(lái)判斷服務(wù)器Si當(dāng)前的負(fù)載情況:

(1)當(dāng)ratio_LW

(2)當(dāng)ratio_LW>AVG_ratio_LW時(shí),說(shuō)明集群內(nèi)該服務(wù)器的負(fù)載較大,應(yīng)當(dāng)調(diào)低該服務(wù)器的權(quán)值,為該服務(wù)器減少或暫緩任務(wù)分配,避免因此臺(tái)服務(wù)器負(fù)載過(guò)大,導(dǎo)致服務(wù)延時(shí),造成網(wǎng)絡(luò)堵塞等后果。

(3)ratio_LW=AVG_ratio_LW時(shí),說(shuō)明集群內(nèi)該服務(wù)器的負(fù)載屬于平衡狀態(tài),服務(wù)器的權(quán)值保持不變。

因此,集群系統(tǒng)根據(jù)集群內(nèi)服務(wù)器的負(fù)載剩余L(i)和任務(wù)請(qǐng)求分配前管理員為每臺(tái)服務(wù)器設(shè)置的權(quán)值來(lái)動(dòng)態(tài)的調(diào)整服務(wù)的新的權(quán)值W’(i),所以服務(wù)器的權(quán)值改變量為ΔW,其計(jì)算公式為

(4)

則新的權(quán)值W’(i)的計(jì)算公式為

W’(i)=W(i)+ΔW(i)

(5)

所以,通過(guò)動(dòng)態(tài)的調(diào)整集群內(nèi)服務(wù)器的權(quán)值,使得任務(wù)請(qǐng)求能夠均衡、合理地分配到相應(yīng)的服務(wù)器。

3.1.3動(dòng)態(tài)算法與靜態(tài)算法相結(jié)合的策略

基于動(dòng)態(tài)反饋機(jī)制的負(fù)載均衡算法通過(guò)計(jì)算集群內(nèi)服務(wù)器的負(fù)載剩余和動(dòng)態(tài)的調(diào)整服務(wù)器的權(quán)值,能夠相對(duì)準(zhǔn)確地表示出服務(wù)器的實(shí)時(shí)狀態(tài)信息,比主流的負(fù)載均衡算法有較大改進(jìn),但由于動(dòng)態(tài)反饋機(jī)制只能周期的收集服務(wù)器的狀態(tài)信息,使得算法存在不足。算法改進(jìn)就是利用靜態(tài)算法中的輪轉(zhuǎn)算法的適用場(chǎng)景,適用動(dòng)態(tài)算法和靜態(tài)算法相結(jié)合的策略,改進(jìn)算法存在缺陷。

首先將負(fù)載均衡調(diào)度器收集到的各臺(tái)服務(wù)器的狀態(tài)信息進(jìn)行分組,將集群系統(tǒng)內(nèi)服務(wù)器處理能力即權(quán)值大致相同的服務(wù)器分為一組。本算法將根據(jù)權(quán)值大小分為高、中、低3個(gè)組別。服務(wù)器的權(quán)值越高說(shuō)明處理任務(wù)的能力越強(qiáng),相反的,權(quán)值較低的服務(wù)器處理能相對(duì)比較弱。假定當(dāng)權(quán)值>0.8時(shí),說(shuō)明此服務(wù)器出在高權(quán)值組,說(shuō)明處理任務(wù)能力較強(qiáng),應(yīng)當(dāng)更多的分配請(qǐng)求;當(dāng)權(quán)值<0.5時(shí),說(shuō)明此服務(wù)器處在低權(quán)值組,處理性能較弱,應(yīng)當(dāng)減少或暫緩任務(wù)的分配;當(dāng)權(quán)值介于0.5和0.8之間時(shí),說(shuō)明從服務(wù)器處于正常權(quán)值組,正常分配任務(wù)請(qǐng)求。

使用動(dòng)態(tài)負(fù)載均衡算法和靜態(tài)負(fù)載均衡算法相結(jié)合的好處就是在一個(gè)周期內(nèi)負(fù)載均衡調(diào)度器會(huì)選擇集群系統(tǒng)內(nèi)服務(wù)器權(quán)值最大的一組節(jié)點(diǎn)進(jìn)行任務(wù)分配,而不是選擇負(fù)載器權(quán)值最大的一個(gè)進(jìn)行任務(wù)分配,在權(quán)值最大的一組內(nèi)以輪轉(zhuǎn)調(diào)度策略進(jìn)行分配避免了在一個(gè)周期內(nèi)因任務(wù)請(qǐng)求大量增加,而導(dǎo)致集群內(nèi)的某一臺(tái)服務(wù)器因出現(xiàn)過(guò)度服務(wù)的狀況,使得系統(tǒng)失去平衡。

3.2　算法流程

假設(shè)集群系統(tǒng)內(nèi)服務(wù)器的數(shù)量為n,即:S1,S2,S3,…,Sn,服務(wù)器的配置和其性能不完全相同。W(i)表示服務(wù)器Si的初始權(quán)值,L(i)表示服務(wù)器Si的負(fù)載剩余,W(i)表示服務(wù)器Si的權(quán)值變化量,W’(i)表示服務(wù)器Si的新權(quán)值,算法具體流程如下:

(1)設(shè)置CPU和內(nèi)存兩個(gè)參數(shù)的剩余率閾值以及服務(wù)器的負(fù)載剩余率閾值。本文設(shè)定CPU剩余率閾值為5%,內(nèi)存剩余率為8%,服務(wù)器的負(fù)載剩余率閾值為4%。

(2)負(fù)載均衡調(diào)度器每隔一個(gè)周期收集后端每臺(tái)服務(wù)器的CPU剩余率和內(nèi)存剩余率。

(3)通過(guò)收集每臺(tái)服務(wù)器的CPU剩余率和內(nèi)存剩余率,計(jì)算負(fù)載剩余L(i)。

(4)判斷計(jì)算出的負(fù)載剩余是否大于已經(jīng)設(shè)置的負(fù)載剩余率閾值:若大于,執(zhí)行步驟(5);若小于則執(zhí)行步驟(6)。

(5)將該臺(tái)服務(wù)器的CPU剩余率和內(nèi)存使用剩余率分別和先前設(shè)置好的閾值相比較,若有其中的任何一個(gè)參數(shù)小于閾值,執(zhí)行步驟(6);否則,執(zhí)行步驟(7)。

(6)令該服務(wù)器的負(fù)載剩余為0,執(zhí)行步驟8。

(7)計(jì)算各個(gè)滿(mǎn)足條件的服務(wù)器的負(fù)載剩余,計(jì)算權(quán)值變量ΔW,新的權(quán)值W’(i)。

(8)計(jì)算出新的動(dòng)態(tài)權(quán)值W’(i),將其根據(jù)劃分組別的要求分配到相應(yīng)的組別。

(9)選出權(quán)值最高的一組服務(wù)器,通過(guò)靜態(tài)算法中的輪轉(zhuǎn)算法,將更多的任務(wù)請(qǐng)求分配到權(quán)值較高的服務(wù)器組。

4仿真實(shí)驗(yàn)與結(jié)果分析

本文使用OPNET 14.5構(gòu)建仿真環(huán)境,服務(wù)器集群由3臺(tái)Web服務(wù)器構(gòu)成,使用100 Mbit·s-1的雙工通信線100 BaseT與負(fù)載均衡器相連接。負(fù)載均衡技術(shù)采用網(wǎng)絡(luò)地址轉(zhuǎn)換。集群網(wǎng)絡(luò)模型如圖3所示。

圖3　服務(wù)器集群網(wǎng)絡(luò)示意圖

本文使用WRR算法、WLC算法和本算法實(shí)現(xiàn)負(fù)載均衡的仿真。圖4為3種算法的對(duì)比結(jié)果。

圖4　3種算法仿真結(jié)果對(duì)比

從圖4(a)中可以看出:(1)本算法的情況下,服務(wù)延遲時(shí)間最短,說(shuō)明該負(fù)載均衡算法對(duì)服務(wù)延時(shí)改善較為明顯。(2)圖4(b)～圖4(d)說(shuō)明,相同情況下使用改進(jìn)的負(fù)載均衡算法后,該服務(wù)器CPU利用率、負(fù)載以及任務(wù)請(qǐng)求的速率都相應(yīng)下降,這說(shuō)明改進(jìn)的負(fù)載均衡算法相對(duì)其他兩種算法更能實(shí)現(xiàn)負(fù)載均衡的目的。

本文通過(guò)使用不同負(fù)載均衡算法對(duì)不同服務(wù)器的CPU利用率影響進(jìn)行對(duì)比,結(jié)果如圖5所示。

由圖5可知,使用WRR算法實(shí)現(xiàn)服務(wù)器負(fù)載均衡,服務(wù)器存在過(guò)于忙碌和過(guò)于空閑的狀態(tài)。如Server4的CPU利用率較高,說(shuō)明它過(guò)于忙碌,該服務(wù)器將會(huì)成為集群的瓶頸,浪費(fèi)了很多系統(tǒng)資源。WLC算法對(duì)服務(wù)器負(fù)載均衡的效果,使得CPU利用率基本接近,達(dá)到較好的負(fù)載均衡效果。使用本算法實(shí)現(xiàn)負(fù)載均衡能使集群服務(wù)器的CPU利用率均低于WLC算法,該算法大幅地減少了服務(wù)器的負(fù)載。

圖5　3種算法對(duì)各服務(wù)器CPU利用率的影響

綜上所述,改進(jìn)的負(fù)載均衡算法具有更好的性能,能提升集群的效率,充分利用集群資源。

5結(jié)束語(yǔ)

本文對(duì)各種負(fù)載均衡算法進(jìn)行深入研究,綜合分析了服務(wù)器負(fù)載均衡的影響因素。并針對(duì)目前負(fù)載均衡算法的不足進(jìn)行改進(jìn),提出了一種基于自適應(yīng)加權(quán)最小負(fù)載的服務(wù)器負(fù)載均衡算法。使用OPNET軟件進(jìn)行仿真,實(shí)驗(yàn)結(jié)果表明,與WRR算法和WLC算法相比,該方法具有較好的效率。

參考文獻(xiàn)

[1]王頤帥.基于LVS的服務(wù)器負(fù)載均衡技術(shù)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2014,23(7):252-255.

[2]羅擁軍,李曉樂(lè),孫如祥.負(fù)載均衡算法綜述[J].科技情報(bào)開(kāi)發(fā)與經(jīng)濟(jì),2008,18(23):134-136.

[3]許少華,夏智偉.基于輪轉(zhuǎn)周期的動(dòng)態(tài)反饋負(fù)載均衡算法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2013,23(6):63-66.

[4]Issam Jabri,Nicolas Krommenacker,Adel Soudani,et al.Load balancing approach for wireless IEEE 802.11 QoS enhancement[P].USA:PWC2006,LNCS4217:88-99,2009.

[5]劉玉艷.LVS 負(fù)載均衡技術(shù)在網(wǎng)絡(luò)服務(wù)中應(yīng)用研究[D].合肥:合肥工業(yè)大學(xué),2007.

[6]Waraich S S.Classification of dynamic load balancing strategies in a network of workstations[C].New Generations:Fifth International Conference on Information Technology IEEE,2008:1263-1265.

[7]吳松濤,韓宗芬,卜勝賢.集群Web服務(wù)器的預(yù)測(cè)最小連接請(qǐng)求調(diào)度算法設(shè)計(jì)[J].長(zhǎng)沙電力學(xué)院學(xué)報(bào):自然科學(xué)版,2002(3):7-9.

[8]張慧芳.基于動(dòng)態(tài)反饋的加權(quán)最小連接數(shù)服務(wù)器負(fù)載均衡算法研究[D].上海:華東理工大學(xué),2013.

[9]劉玉艷,沈玉明.一種LVS負(fù)載均衡調(diào)度算法WLC的改進(jìn)[J].制造業(yè)自動(dòng)化,2010(9):187-191.

[10]廖艷達(dá).基于OPNET的Web集群負(fù)載均衡仿真研究[D].桂林:廣西師范大學(xué),2007.