陳震 廖濤

摘要：隨著互聯(lián)網(wǎng)應(yīng)用技術(shù)的快速發(fā)展，各大型網(wǎng)站的用戶規(guī)模也在急劇增長(zhǎng)。由此帶來(lái)的集中式訪問(wèn)，高并發(fā)等問(wèn)題是Web服務(wù)器所面臨的一項(xiàng)巨大挑戰(zhàn)。使用負(fù)載均衡技術(shù)可以有效解決這一問(wèn)題，但傳統(tǒng)負(fù)載均衡算法中的加權(quán)輪詢算法（Round-Robin，RR）是一種靜態(tài)算法，無(wú)法在服務(wù)運(yùn)行中動(dòng)態(tài)調(diào)整集群的負(fù)載情況。為解決這一問(wèn)題，文章將RR算法加以改進(jìn)，提出了一種新的算法：基于硬件資源的加權(quán)輪詢算法（Round-Robin Based on Hardware Resources.RRBHR）。該算法調(diào)用云監(jiān)控EMS接口采集參數(shù)，在服務(wù)器間硬件異構(gòu)性的基礎(chǔ)上，設(shè)立動(dòng)態(tài)調(diào)整機(jī)制分配權(quán)重，最終達(dá)到可動(dòng)態(tài)調(diào)整服務(wù)器集群負(fù)載的效果。對(duì)該算法進(jìn)行了相關(guān)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果得出，改造后的RRBHR算法在響應(yīng)時(shí)間和吞吐量上都要優(yōu)于之前的靜態(tài)算法。

關(guān)鍵詞：負(fù)載均衡;服務(wù)器集群;加權(quán)輪詢算法;高并發(fā);動(dòng)態(tài)分配權(quán)重

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）21-0072-04

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ OSID）：

1 背景

伴隨著互聯(lián)網(wǎng)應(yīng)用技術(shù)的發(fā)展與完善，人們大多日常的辦公、通訊、出行、購(gòu)物等都可以通過(guò)訪問(wèn)網(wǎng)站來(lái)完成。這方便人們活動(dòng)的同時(shí)也給網(wǎng)站服務(wù)器帶來(lái)了一個(gè)問(wèn)題：隨著大批量用戶的請(qǐng)求量增多，網(wǎng)站服務(wù)器處理請(qǐng)求時(shí)的壓力也在不斷增大。在某些特殊的活動(dòng)期間，如：節(jié)假日期間、商品的秒殺活動(dòng)、雙十一購(gòu)物節(jié)等，用戶短時(shí)間內(nèi)對(duì)網(wǎng)站訪問(wèn)量會(huì)驟然激增。在這種高并發(fā)、高集中式的訪問(wèn)情況下，網(wǎng)站服務(wù)器需要在短時(shí)間內(nèi)集中處理大批量請(qǐng)求，這會(huì)導(dǎo)致服務(wù)器的負(fù)載不斷增大。其中，硬件性能較差的服務(wù)器處理請(qǐng)求效率低，可能會(huì)造成大量的請(qǐng)求積壓，服務(wù)器負(fù)載會(huì)逐漸增大。在達(dá)到一定的閾值后，該服務(wù)器的性能可能會(huì)受到嚴(yán)重影響甚至崩潰，造成用戶請(qǐng)求超時(shí)失效。而其他性能好的服務(wù)器由于處理請(qǐng)求效率高，接收的請(qǐng)求會(huì)很快地處理掉，處于相對(duì)空閑狀態(tài)。為解決這一問(wèn)題，增加服務(wù)器機(jī)器的數(shù)量，構(gòu)建更多的集群來(lái)平均服務(wù)器的請(qǐng)求數(shù)是一種可行的辦法。但這種方法花費(fèi)金額巨大并且會(huì)增加網(wǎng)站后期運(yùn)維成本，并不經(jīng)濟(jì)實(shí)用。此時(shí)，軟件層面上的負(fù)載均衡（LoadBalance）技術(shù)成為人們的突破點(diǎn)[1]。這種搭建在服務(wù)網(wǎng)絡(luò)架構(gòu)上的負(fù)載均衡技術(shù)，可以有效地平攤高并發(fā)等問(wèn)題帶來(lái)的壓力，均衡每臺(tái)服務(wù)器的負(fù)載。從而能夠維持各自服務(wù)器的性能，保障整個(gè)集群的運(yùn)行穩(wěn)定，是一種透明且廉價(jià)的方式，相比增加服務(wù)器集群數(shù)目更加靈活和經(jīng)濟(jì)實(shí)用[2]。

傳統(tǒng)負(fù)載均衡算法可分為靜態(tài)算法（static algorithm）和動(dòng)態(tài)算法（dynamic algorithm）兩大類。靜態(tài)負(fù)載均衡算法常見(jiàn)的有加權(quán)隨機(jī)算法，一致性哈希算法，輪詢算法和加權(quán)輪詢算法等。動(dòng)態(tài)負(fù)載均衡算法常見(jiàn)的有最快響應(yīng)算法，最小活躍數(shù)算法等。不同的負(fù)載均衡算法方案選擇，對(duì)服務(wù)器集群的影響也不相同。對(duì)此，一些相關(guān)研究和各種負(fù)載均衡優(yōu)化方案被提了出來(lái)。文婷婷等人提出了一種彈性算法，根據(jù)概率分布和資源需求，設(shè)計(jì)了一種彈性虛擬機(jī)遷移的負(fù)載均衡算法[3]。汪佳文等人提出了動(dòng)態(tài)自適應(yīng)權(quán)重算法，結(jié)合改進(jìn)后的Pick-k算法，能夠始終保證性能最優(yōu)的節(jié)點(diǎn)提供服務(wù)[4]。王宇耕等人提出了基于負(fù)載預(yù)測(cè)的自適應(yīng)算法，根據(jù)AR算法得出預(yù)測(cè)值的結(jié)果，調(diào)整服務(wù)器的權(quán)值[5]。張慧芳分析了加權(quán)最小連接數(shù)算法和IP隧道負(fù)載均衡技術(shù)，提出了一種可以根據(jù)動(dòng)態(tài)反饋調(diào)整的算法[6]。王東提出了DWA算法，將Http請(qǐng)求分為事務(wù)性和發(fā)布性請(qǐng)求，對(duì)兩種狀態(tài)進(jìn)行了分析后，根據(jù)DWA算法合理調(diào)整節(jié)點(diǎn)的任務(wù)調(diào)度進(jìn)行負(fù)載[7]。

這些算法的研究，多數(shù)都是傾向于動(dòng)態(tài)算法，在多數(shù)情況下，動(dòng)態(tài)算法相對(duì)于靜態(tài)算法，在性能和靈活性等方面都要優(yōu)于后者[8]。靜態(tài)負(fù)載均衡算法不考慮服務(wù)器的運(yùn)行狀態(tài)[9]，其參數(shù)值是一開始就設(shè)定好的，以固定的權(quán)重分配任務(wù)。在程序運(yùn)行過(guò)程中不會(huì)發(fā)生更改，即使運(yùn)行過(guò)程中有服務(wù)器出現(xiàn)負(fù)載失衡，程序也會(huì)按照預(yù)先設(shè)定好的參數(shù)運(yùn)行。動(dòng)態(tài)負(fù)載均衡算法的參數(shù)值會(huì)根據(jù)程序運(yùn)行時(shí)的環(huán)境不同，動(dòng)態(tài)的調(diào)整更改參數(shù)信息，從而保障各個(gè)服務(wù)器的負(fù)載情況相似。

2 幾種靜態(tài)算法介紹與比較

普通輪詢算法[10]的算法思想是將收到的請(qǐng)求以輪流分配的方式分給各個(gè)服務(wù)器，其算法簡(jiǎn)單，適用于服務(wù)器性能相近的情況。在實(shí)際的生產(chǎn)環(huán)境中，Weh集群的各個(gè)服務(wù)器的配置并不都是相同的，加權(quán)輪詢算法是對(duì)普通輪詢算法加以改進(jìn)后的算法。在服務(wù)部署在服務(wù)器之前，開發(fā)人員會(huì)預(yù)先根據(jù)各個(gè)服務(wù)器配置性能不同，評(píng)估賦予不同的權(quán)值，使性能較好的服務(wù)器分配的權(quán)重大，性能弱的服務(wù)器分配的權(quán)重較小。通過(guò)權(quán)重調(diào)整各服務(wù)器處理的請(qǐng)求數(shù)，最終使得每個(gè)服務(wù)器總體處理的請(qǐng)求數(shù)大致等于預(yù)先分配的權(quán)重比，從而達(dá)到負(fù)載均衡的效果。加權(quán)隨機(jī)算法思想基于古典概率分布，加權(quán)隨機(jī)算法在服務(wù)啟動(dòng)前，事先為每個(gè)服務(wù)器提供了相應(yīng)的權(quán)值，使各臺(tái)服務(wù)運(yùn)行中處理的請(qǐng)求數(shù)近似于它們權(quán)重的比例。加權(quán)隨機(jī)算法簡(jiǎn)單高效，但在請(qǐng)求數(shù)較少時(shí)，其中多數(shù)請(qǐng)求會(huì)分配給權(quán)重較大的服務(wù)，可能出現(xiàn)請(qǐng)求傾斜的情況。一致性哈希算法是將服務(wù)器的IP地址或者其他信息作為依據(jù)，生成一個(gè)hash值投射到一定長(zhǎng)度的hash環(huán)上。每當(dāng)有新的請(qǐng)求時(shí)，根據(jù)算法，為其生成一個(gè)hash值，然后在hash環(huán)上查找出第一個(gè)大于或者等于該hash值的服務(wù)器節(jié)點(diǎn)，該請(qǐng)求會(huì)被投射在這個(gè)節(jié)點(diǎn)的服務(wù)器處理。以此分散服務(wù)器的請(qǐng)求，達(dá)到負(fù)載均衡的效果。

常見(jiàn)的衡量負(fù)載均衡算法的指標(biāo)有響應(yīng)時(shí)間和吞吐量。響應(yīng)時(shí)間是指接受和處理一定數(shù)目請(qǐng)求所耗費(fèi)的時(shí)間，本文中默認(rèn)為單位為秒。吞吐量是單位時(shí)間內(nèi)處理的請(qǐng)求數(shù)量。比較上述幾種靜態(tài)算法的性能，使用Postjson分別對(duì)加權(quán)隨機(jī)，加權(quán)輪詢，一致性哈希算法模擬進(jìn)行500、1000、1500、2000、2500并發(fā)數(shù)的用戶請(qǐng)求，去除最大值和最小值后取平均值進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，如表1所示。

從表1中可以看出，隨著并發(fā)數(shù)的增加，三種算法的響應(yīng)時(shí)間也逐漸增加，吞吐量趨于穩(wěn)定。一致性哈希算法的響應(yīng)時(shí)間高于另外兩種算法，可能是因?yàn)檎?qǐng)求處理過(guò)程中，大量的時(shí)間消耗在哈希計(jì)算中之中，也導(dǎo)致吞吐量低于其他兩種算法。加權(quán)隨機(jī)算法和加權(quán)輪詢算法在響應(yīng)時(shí)間和吞吐量上十分相似。由于加權(quán)輪詢算法的特性，不會(huì)出現(xiàn)少請(qǐng)求量的數(shù)據(jù)傾斜問(wèn)題，且服務(wù)器硬件的異構(gòu)性更契合于加權(quán)輪詢算法。將原本的靜態(tài)算法改進(jìn)為動(dòng)態(tài)算法會(huì)有更大的提升空間，文章提出了基于硬件資源的加權(quán)輪詢算法改進(jìn)。

3 基于硬件資源的加權(quán)輪詢算法

3.1 算法思想

服務(wù)器處理請(qǐng)求的能力與它們當(dāng)前硬件使用率息息相關(guān)，以這些硬件使用率作為負(fù)載因子，如：CPU利用率，內(nèi)存使用率，磁盤使用率，網(wǎng)絡(luò)帶寬使用率等[11]，計(jì)算得出服務(wù)器的負(fù)載值Load（Si），作為評(píng)價(jià)服務(wù)器負(fù)載情況指標(biāo)。并以每個(gè)服務(wù)器本身硬件參數(shù)為基礎(chǔ)，通過(guò)公式W（si）計(jì)算得出各個(gè)服務(wù)器權(quán)值。在程序運(yùn)行過(guò)程中，周期性的用負(fù)載判斷公式O（Si）檢測(cè)整個(gè)集群的負(fù)載狀況。當(dāng)某個(gè)服務(wù)器短時(shí)間處理請(qǐng)求數(shù)較大，負(fù)載較重出現(xiàn)負(fù)載不均時(shí)，動(dòng)態(tài)的降低該服務(wù)器的權(quán)重以減少處理的請(qǐng)求數(shù)。當(dāng)服務(wù)器處理請(qǐng)求數(shù)較少，處于相對(duì)空閑時(shí)，加大權(quán)重，增加處理請(qǐng)求數(shù)以提高整體效率。

3.2 算法模型建立

算法模型的建立需要考慮以下幾個(gè)問(wèn)題：1）采集服務(wù)器各負(fù)載因子時(shí)，如何盡量減少對(duì)服務(wù)器的侵人性;2）各項(xiàng)硬件的權(quán)重該如何合理分配;3）怎樣把各服務(wù)器整體硬件配置的差異，抽象出來(lái)用數(shù)值化表現(xiàn);4）如何判斷調(diào)整權(quán)重的時(shí)機(jī)及如何調(diào)整權(quán)重。

采集負(fù)載因子對(duì)運(yùn)行中的系統(tǒng)來(lái)說(shuō)，是一種額外的開銷，降低采集過(guò)程中對(duì)系統(tǒng)的侵人性有利于提高系統(tǒng)的性能。傳統(tǒng)采集方式有Perfmon檢測(cè)、Linux命令或向服務(wù)器植入程序等方式，這些方式會(huì)周期性的發(fā)送采集數(shù)據(jù)到數(shù)據(jù)庫(kù)或日志中，研究人員再取出數(shù)據(jù)進(jìn)行分析，使用這些方法需要對(duì)數(shù)據(jù)進(jìn)行二次處理分析且較為復(fù)雜。本實(shí)驗(yàn)加入了阿里云開發(fā)工具包（Alibaba Cloud SDK for Java），使用RPC風(fēng)格直接通過(guò)Http請(qǐng)求的方式，調(diào)用云監(jiān)控的API采集數(shù)據(jù)。此種方法對(duì)服務(wù)器侵人性小且采集的數(shù)據(jù)不需要二次處理，可直接使用在算法中。

服務(wù)器運(yùn)行過(guò)程中各項(xiàng)硬件使用率是實(shí)時(shí)變化的，硬件使用率越高，說(shuō)明當(dāng)前狀態(tài)下的服務(wù)器負(fù)載越高。將各個(gè)硬件參數(shù)的權(quán)重系數(shù)與負(fù)載因子乘積之和作為服務(wù)器Si的負(fù)載指標(biāo)函數(shù)Load（Si），如公式（1）所示。服務(wù)器負(fù)載Load（Si）：

其中，k1+k2+k3+k4+k5=1。

k1代表相應(yīng)硬件或指標(biāo)的權(quán)重，表示該硬件在整個(gè)服務(wù)中的重要程度。L（Ci），L（Mi），L（Di），L（Ni）分別代表CPU使用率，內(nèi)存使用率，磁盤使用率和帶寬使用率，L（LJ是Load average數(shù)值，是Linux系統(tǒng)特有的屬性。表示在一定時(shí)間間隔內(nèi)，在CPU中運(yùn)行列隊(duì)的平均進(jìn)程數(shù)。服務(wù)器運(yùn)行過(guò)程中，各硬件的使用率越高，負(fù)載值Load（Si）越大，說(shuō)明當(dāng)前服務(wù)器的負(fù)載狀況越高。

使用層次分析法（ Analytic Hierarchy Process）確定公式（1）中的k值。建立層次分析模型，如圖1所示：

在服務(wù)器硬件構(gòu)成中，CPU負(fù)責(zé)大量的運(yùn)算，是整個(gè)系統(tǒng)的核心。內(nèi)存和網(wǎng)絡(luò)帶寬也是相對(duì)重要的部分，通過(guò)對(duì)比分析這些硬件的相對(duì)重要程度得出目標(biāo)層對(duì)比表2。

服務(wù)器集群中各機(jī)器的配置并不是相同的，服務(wù)器的硬件配置越高，性能越好，處理請(qǐng)求的效率也就越高。本實(shí)驗(yàn)選取4臺(tái)硬件配置各不相同的服務(wù)器，做了差異化處理，如表4所示。所有服務(wù)器的cpu型號(hào)皆為Intel⑩Xeon⑧系列。其中一臺(tái)服務(wù)器使用Nacos和Dubbo架構(gòu)提供分布式系統(tǒng)的遠(yuǎn)程過(guò)程調(diào)用（Remote Procedure Call.RPC）服務(wù)，以Nacos作為服務(wù)的注冊(cè)中心，結(jié)合Dubbo自身的容錯(cuò)機(jī)制[12]呵保證服務(wù)的高可用性和可靠性[13]。其余服務(wù)器作為服務(wù)提供者，構(gòu)成一個(gè)小型的服務(wù)器集群。

把服務(wù)器不同的硬件配置抽象出來(lái)，用具體的數(shù)值表示，得出服務(wù)器性能指數(shù)P（Si）。P（Si）用于衡量某個(gè)服務(wù)器在整個(gè)集群中的性能狀況。

服務(wù)器性能綜合指數(shù)P（S.）：

P（Si）= P（Ci）+ P（Mi）+ P（Ni）

（2）

其中，P（Ci）代表服務(wù)器i的CPU性能在整個(gè)集群中的性能比值，通過(guò)查閱資料可知：型號(hào)為Platinum 8269CY的CPU單核計(jì)算能力是型號(hào)為E5-2682 V4的CPU單核計(jì)算能力的1.7倍，可近似認(rèn)為兩者CPU性能比值為1.7：1。同理，認(rèn)為內(nèi)存為IGiB的內(nèi)存與2GiB內(nèi)存的性能比值為1：2。以各項(xiàng)硬件性能比值之和作為評(píng)價(jià)服務(wù)器性能綜合指數(shù)P（Si），P（Si）越大代表該服務(wù)器的硬件配置越高，處理請(qǐng)求的速度越快，可承受的負(fù)載能力也越強(qiáng)。

在初始情況下，為每個(gè)服務(wù)器分配權(quán)重。初始權(quán)重的大小由服務(wù)器硬件性能指數(shù)和當(dāng)前硬件剩余性能組成，通過(guò)公式（3）計(jì)算得出權(quán)重W（Si）。權(quán)重的大小代表著處理請(qǐng)求能力的大小，服務(wù)器性能越好，處理請(qǐng)求效率越高，所分配的權(quán)重應(yīng)該越大。

服務(wù)器權(quán)重W（Si）：

P（ratio）代表某個(gè)服務(wù)器在集群中的性能比值，D（Si）是當(dāng)前服務(wù)器的剩余性能。剩余性能的組成由各硬件剩余使用率和CPU空閑狀況構(gòu)成。

采集服務(wù)器負(fù)載信息的常見(jiàn)方式有周期式和貪婪式[14j。周期式是每隔一定的時(shí)間段或次數(shù)采集服務(wù)器的信息，貪婪式是每次請(qǐng)求都收集信息，再進(jìn)行任務(wù)分配。過(guò)于頻繁的收集、更新權(quán)值不但不會(huì)提高負(fù)載均衡能力，而且會(huì)對(duì)系統(tǒng)運(yùn)行造成額外的負(fù)擔(dān)。本實(shí)驗(yàn)使用周期式，引入了計(jì)數(shù)器i，每當(dāng)服務(wù)器處理一次請(qǐng)求時(shí)，i加1，當(dāng)i值達(dá)到某個(gè)閾值時(shí)，根據(jù)（6）的負(fù)載判斷公式判斷各服務(wù)器負(fù)載狀況，并把i重置為0。

負(fù)載判斷公式O（si）：

a是失衡指數(shù)，作為閾值來(lái)衡量負(fù)載失衡程度，代表著基于本身性能基礎(chǔ)上，該服務(wù)器負(fù)載失衡程度。O（si）的值越接近于0，說(shuō)明當(dāng)前服務(wù)器的負(fù)載狀況越好。設(shè)定a值為0.3，若O（si）值小于0，說(shuō)明服務(wù)器的負(fù)載較為均衡，不用調(diào)整權(quán)重，若O（s.）值大于0，說(shuō)明系統(tǒng)負(fù)載不均，需要調(diào)用公式（3）重新計(jì)算并分配權(quán)值。使用此種權(quán)重更新策略既不會(huì)對(duì)系統(tǒng)本身的運(yùn)行造成太大的負(fù)擔(dān)，又能很好地均衡負(fù)載情況。

3.3 算法步驟與流程

算法執(zhí)行的關(guān)鍵步驟如下：

第一步：使用Dubbo的RPC遠(yuǎn)程服務(wù)調(diào)用方案，將服務(wù)注冊(cè)到Nacos上。構(gòu)成可訪問(wèn)的服務(wù)提供集群。

第二步：服務(wù)初始化，調(diào)用云監(jiān)控EMS接口采集服務(wù)器參數(shù)，通過(guò)公式（3）為每個(gè)服務(wù)器分配初始權(quán)重w（s，）。

第三步：開始處理請(qǐng)求，并設(shè)置計(jì)數(shù)器i，i的值隨著處理的請(qǐng)求數(shù)增加而增大，i到達(dá)閾值時(shí)，通過(guò)公式（6）開始判斷當(dāng)前服務(wù)器負(fù)載情況。

第四步：若O（si）值大于0，說(shuō)明當(dāng)前服務(wù)器負(fù)載不均，調(diào)用公式重新分配權(quán)重w（si）。若O（Si）小于0，說(shuō)明服務(wù)器狀況良好，進(jìn)行下一步。

第五步：計(jì)數(shù)器重新置為0，跳轉(zhuǎn)到第三步，直至所有請(qǐng)求處理完畢。

算法流程圖如圖2所示。

4 實(shí)驗(yàn)結(jié)果與分析

把相同的服務(wù)分別部署到三臺(tái)硬件配置各不相同的服務(wù)器上，使用Nacos和Dubbo架構(gòu)實(shí)現(xiàn)服務(wù)的發(fā)現(xiàn)與治理。用本地主機(jī)作為請(qǐng)求端模擬用戶高并發(fā)請(qǐng)求，訪問(wèn)部署在服務(wù)器上的服務(wù)。

在上述相同的實(shí)驗(yàn)環(huán)境下，對(duì)RR算法和改進(jìn)后的RRBHR算法進(jìn)行實(shí)驗(yàn)，得出表6。從表6中可以看出，在不同并發(fā)數(shù)的情況下，RRBHR的響應(yīng)時(shí)間都要小于RR算法，并且整體的吞吐量也有了約6%-10%左右的提升。根據(jù)實(shí)驗(yàn)結(jié)果可以驗(yàn)證改進(jìn)后的RRBHR算法可以在一定程度上提升整體服務(wù)器集群的性能。

5 結(jié)束語(yǔ)

通過(guò)檢測(cè)服務(wù)器的硬件運(yùn)行狀況來(lái)動(dòng)態(tài)更改加權(quán)輪詢算法的權(quán)值，并設(shè)立了調(diào)整機(jī)制，減少了部分服務(wù)器由于負(fù)載不均造成壓力過(guò)大甚至癱瘓的風(fēng)險(xiǎn)，達(dá)到了優(yōu)化服務(wù)器集群負(fù)載的效果。改進(jìn)后的RRBHR算法在性能上優(yōu)于原先的靜態(tài)加權(quán)輪詢算法，有了約6% -10%的提升。該算法尚有一點(diǎn)小的缺陷：人為設(shè)置的計(jì)數(shù)器i值過(guò)小時(shí)，會(huì)更頻繁調(diào)用云監(jiān)控CMS的接口，可能會(huì)造成調(diào)用方法出錯(cuò)，得不到準(zhǔn)確的負(fù)載因子。計(jì)數(shù)器值過(guò)大時(shí)，可能會(huì)造成調(diào)整權(quán)重滯后。如何合理地設(shè)置計(jì)數(shù)器i以達(dá)到性能的最優(yōu)，是值得進(jìn)一步研究的地方。

參考文獻(xiàn)：

[1]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)開發(fā)與經(jīng)濟(jì)，2008（23）： 134-136.

[2]胡利軍.Web集群服務(wù)器的負(fù)載均衡和性能優(yōu)化[D].北京：北京郵電大學(xué)，2010.

[3]文婷婷，李洪赭，面向云服務(wù)平臺(tái)的彈性負(fù)載均衡算法[J].計(jì)算機(jī)與現(xiàn)代化，2019（10）： 28-33.

[4]汪佳文，王書培，徐立波，等.基于權(quán)重輪詢負(fù)載均衡算法的優(yōu)化[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2018，27（4）： 138-144.

[5]王宇耕，肖鵬，張力，等.基于負(fù)載預(yù)測(cè)的自適應(yīng)權(quán)值負(fù)載均衡算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（4）： 1033-1037.

[6]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[Dl.上海：華東理工大學(xué)，2013.

[7]王東.動(dòng)態(tài)反饋負(fù)載均衡策略的研究[D].哈爾濱：哈爾濱工程大學(xué)，2018.

[8]王紅斌.Web服務(wù)器集群系統(tǒng)的自適應(yīng)負(fù)載均衡調(diào)度策略研究[D].長(zhǎng)春：吉林大學(xué)，2013.

[9]覃川.基于Nginx的Web服務(wù)器負(fù)載均衡策略改進(jìn)與實(shí)現(xiàn)[D].成都：西南交通大學(xué)，2017.

[10]彭云亞.網(wǎng)格服務(wù)的動(dòng)態(tài)分布式策略負(fù)載均衡的研究與實(shí)現(xiàn)[D].北京：北京交通大學(xué)，2008.

[11]高振斌，潘亞辰，華中，等.改進(jìn)的基于加權(quán)最小連接數(shù)的負(fù)載均衡算法[J].科學(xué)技術(shù)與工程，2016，16（6）： 81-85.

[12]何珞，基于Dubbo的服務(wù)治理研究[D].武漢：武漢理工大學(xué)，2018.

[13]馬威.云計(jì)算環(huán)境中高保證隔離模型及關(guān)鍵技術(shù)研究[D]，北京：北京交通大學(xué)，2016.

[14]孫蘭芳，張曦煌.基于蜜蜂采蜜機(jī)理的云計(jì)算負(fù)載均衡策略[J].計(jì)算機(jī)應(yīng)用研究，2016，33（4）： 1179-1182，1198.

【通聯(lián)編輯：謝媛媛】

作者簡(jiǎn)介：陳震（1995-），男，安徽合肥人，碩士，主要研究方向?yàn)橹悄苄畔⑻幚?廖濤，男，副教授，碩士導(dǎo)師，主要研究方向?yàn)橹悄苄畔⑻幚怼?shù)據(jù)挖掘。