CN110149395A - 一种基于海量小文件高并发情况下动态负载均衡方法 - Google Patents
一种基于海量小文件高并发情况下动态负载均衡方法 Download PDFInfo
- Publication number
- CN110149395A CN110149395A CN201910418947.7A CN201910418947A CN110149395A CN 110149395 A CN110149395 A CN 110149395A CN 201910418947 A CN201910418947 A CN 201910418947A CN 110149395 A CN110149395 A CN 110149395A
- Authority
- CN
- China
- Prior art keywords
- node
- value
- data server
- small documents
- high concurrent
- 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
Links
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
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于海量小文件高并发情况下动态负载均衡方法。该方法主要针对在海量小文件分布式存储***中出现的高并发访问题,通过定时监测并收集分布式文件存储***FastDFS中数据服务器节点中的CPU使用率、内存使用率、磁盘IO使用率和网络带宽等指标信息,同时利用综合评价法确定这些指标的重要性比例,并把这些指标信息发给调度器,然后调度器通过加权计算各数据服务器节点的综合负载情况并动态调整数据服务器节点的权重值,以实现海量小文件高并发情况下的高效处理的同时又能充分利用服务器资源。
Description
技术领域
本发明涉及为网络负载均衡方法,特别是涉及一种处理分布式小文件存储***在高并发访问情况下的负载均衡方法,属于一种分布式文件***存储访问的资源调度技术。
背景技术
随着移动互联网的高速发展和越来越普及,人们即将进入万物互联的时代。每天都会产生海量的移动数据信息,特别是近些年不断兴起的短视频社交APP和电商APP,这些APP每天都会产生大量的短视频和图片,它们的数据占用空间相对较小,一般都在几十KB左右,最高也就几十M。
然而我们所熟知的例如HDFS、GFS等分布式文件存储***都是针对大文件的,它们自身虽然带有负载均衡机制,主要是用来解决不同数据服务器节点的数据块的分配和调度问题,并非用来解决在高并发情况下的海量小文件访问问题。分布式文件***FastDFS是针对海量小文件存储访问专门设计的分布式文件存储***,但是其提供的负载均衡算法是基于轮询的负载均衡算法。轮询算法只是机械的将用户请求按顺序轮流地分配到后端存储服务器上,没有考虑后端服务器节点的本身的性能和实时负载,在实际应用中其可靠性往往很差。而当前的一些常见的负载均衡算法:
1)加权轮询:是轮询调度算法的升级版,这种负载均衡算法在开始时给每个服务器分配一个权重值,这个权重值是按照服务器自身性能来确定的,性能越高其权重值就越大。调度器按照服务器的权重值比例来分配请求,权重值高的被分配到更多的请求,权重值低的则相反。由于服务器权重值不能根据服务器的实时负载情况动态的改变,这种方法运行过程中会出现过载的服务器仍然被分配请求导致用户请求处理失败甚至服务器宕机。
2)最少连接数:调度器会记录后端服务器在某端口上的连接数即正在处理请求的数量,每次会把新请求分配给连接数最少的服务器。这种分配算法在分布式***中后端服务器的处理能力相同的情况下一般工作较好。但是实际的分布式***一般是异构网络,该分配方法在这种情况下没有考虑服务器的性能和负载情况,性能可能会急剧下降。
3)最快响应时间:调度器根据后端服务器的响应时间来智能的进行请求分配,响应时间短的服务器将优先分配请求。由于该响应时间一般是调度器对后端服务器节点发送一个探测请求来获得,因此该响应时间具有滞后性,不能反映真实的情况。
发明内容
本发明根据现有的分布式文件存储***自身在处理高并发访问情况下存在的不足,同时现有的负载均衡方法也同样不适用高并发小文件访问情况,提供针对分布式文件***FastDFS的海量小文件高并发访问的动态自适应负载均衡调度方法。
本发明基于海量小文件高并发情况下动态负载均衡方法通过采集后端数据服务器节点的负载信息,并根据负载信息动态调整它们的权重值,从而充分合理利用后端服务器的资源。
本发明目的通过如下技术方案实现:
一种基于海量小文件高并发情况下动态负载均衡方法,包括于如下步骤:
1)数据服务器集群中每个节点都开启一个定时任务,定期收集其各个资源的利用情况,资源利用情况包括CPU利用率Ucpu、内存利用率Umem、磁盘IO利用率Uio和网络带宽利用率Unet;以Di表示数据服务器集群中的第i个节点,第i个节点Di的CPU利用率Ucpu(i)计算方法为:其中是时间段t1~t2内Di节点的用户态CPU利用率和内核态CPU利用之和,是时间段t1~t2内的CPU时间总和,t1是指上次计算的时间,t2是指本次计算的时间;
第i个节点Di的内存利用率Umem(i)计算为:其中Muse表示在Di节点在t2时间点的内存使用量,Mtotal表示Di的总内存;
第i个节点Di的磁盘I/O利用率为Uio(i);
第i个节点Di的网络带宽利用率其中是时间段t1~t2内Di节点的网络带宽,netmax是网卡的最大带宽;
2)数据服务器节点把自身的Ucpu、Umem、Uio和Unet发送给调度服务器;
3)调度服务器收到数据服务器节点的Ucpu、Umem、Uio和Unet之后使用如下公式来计算每一个数据服务器节点的负载值Loadi:
Loadi=R1×Ucpu(i)+R2×Umem(i)+R3×Uio(i)+R4×Unet(i);
其中R1,R2,R3,R4分别是CPU、内存、磁盘I/O和网络带宽影响因子,且满足i∈{1,2,3,4},
4)在后端数据服务器节点开始运行时,根据第i个节点的硬件配置信息给第i个节点初始的权重值Wi,Wi表示数据服务器集群中的第i个节点的权重值;
5)数据服务器节点的实时权重值Wi用如下公式进行计算求得:
所述的为常量,表示在计算时允许的误差,表示如果服务器的负载在Loadbest上下波动不超过时不需要更改其权值;和是用在计算数据服务器节点权重进行调节的系数,且Loadbest是***的理想负载值,Loadbest∈[0.7,0.8];
6)调度器节点根据计算出来各个数据服务器节点的实时权重值动态的改变请求任务的分配,权重值高的会收到较多的请求,权重低的收到较少的请求。
为进一步实现本发明目的,优选地,所述的和通过读取Linux下的虚拟文件/proc/stat计算得到。
优选地,所述的Muse和Mtotal通过读取Linux下的虚拟文件/proc/meminfo计算得到。
优选地,所述的Uio(i)直接在Linux中执行iostat-x-d sda命令获取;这个命令执行后会得到一个%util参数值,该值表示当前时间***磁盘IO的使用率;
优选地,所述的通过读取Linux下的虚拟文件/proc/net/dev来进行计算得到。
优选地,所述的netmax利用ethtool工具获取。
优选地,所述的第i个节点初始的权重值Wi的调整范围为[Wmin,Wmax],其中Wmin=0,Wmax=max(Wi);max(wi)为理想负载值,理想负载值Loadbest∈[0.7,0.8]。
优选地,所述的取0.03;Loadbest取0.7;所述的的值采用ApacheBenchmark测试工具对数据服务器集群进行多组压力测试和实际应用场景确定
为了更好的达到本发明的目的,在计算负载值时需要确定Ucpu、Umem、Uio和Unet的重要性系数R1,R2,R3和R4的值。这里采用Apache Benchmark测试工具对数据服务器集群进行多组压力测试并收集每次的测试结果,这里包括平均请求响应时间和***吞吐量;同时利用TOPSIS综合评价法进行统计分析,得出最佳的各项指标比例系数值。优选地,所述的R1,R2,R3,R4通过如下步骤确定:
(1)给R1,R2,R3和R4一个初始值,然后用Apache Benchmark进行压力测试;
(2)收集每次的测试结果;
(3)将多次的测试结果组成一个矩阵D;
(4)对矩阵中的数据进行归一化处理得到决策矩阵Z;
(5)对矩阵进行加权处理,得到加权决策矩阵V;
(6)确定理想解和负理想解,即在每次的测试结果中选出最大值和最小值;
(7)计算每次的测试结果到理想点的距离D+和负理想点的距离D-,定义来对每次的测试结果进行评价,并且C越大表示测试结果越好,此时选定的R1,R2,R3和R4的值最优。
优选地,所述的R1,R2,R3和R4的初始值设定分别为:R1=0.2,R2=0.25,R3=0.3,R4=0.25。
相对于现有技术,本发明优点在于:
1)相比于现有分布式文件***本身的提供的负载均衡算法,本发明充分考虑了后端数据服务器节点的实时负载能力,并根据其来动态调整其权重值;
2)本发明采集了后端数据服务器节点的多项指标,各项指标的重要系数可以根据实际情况来进行调整,使得计算出的权重值更加贴合其实际情况。
附图说明
图1为本发明的获得数据服务器节点各项指标比例参数的理想值的过程图。
图2为本发明分布式文件存储***下的负载均衡算法执行的总体流程图。
图3为本发明的海量小文件存储访问***架构图。
图4为本发明的方法与加权轮询负载均衡算法的请求处理时间的对比图。
图5位本发明的方法与加权轮询负载均衡算法的***吞吐率的对比图。
具体实施方式
为了更好的理解本发明,下面结合附图和实施例来对本发明做进一步的讲解说明,但本发明的实施方式不限于实施例表示的范围:
实施例
本实施例是使用分布式文件存储***FastDFS来存储海量小文件,在访问过程中主要涉及到文件的读写,为I/O密集型任务。因此在高并发读取小文件的情况下***性能主要由以下几个因素来决定:1)频繁读取文件会导致***进行频繁的磁盘I/O操作,因此对磁盘I/O的性能要求很高;2)在文件读写过程中***内存与磁盘会进行大量数据交互,会缓存大量文件内容到***内存中,导致内存占用过高,因此内存也对***性能起到重要作用;3)客户端请求的文件需要存储节点通过网络进行传输,高并发情况下需要传输大量文件数据,因此网络带宽是影响数据高效传输的重要因素;4)高并发访问文件会导致CPU频繁的进行上下文切换,CPU的利用率也会对***性能产生一定影响。总的来说在高并发小文件读取情况下内存、磁盘I/O利用率和网络带宽对***性能起到关键作用,因此这三个动态指标的系数R2,R3,R4较高,R1较低。R1,R2,R3和R4分别是Ucpu、Umem、Uio和Unet的重要性系数;Ucpu、Umem、Uio和Unet分别是CPU利用率、内存利用率、磁盘I/O利用率和网络带宽利用率。
图1为计算数据服务器节点负载时各项指标的影响比例的理想值和调整权重时的两个用于收敛的系数值,具体来讲,可以分为以下几个步骤:
步骤101,首先根据数据服务器的配置,例如根据CPU个数,频率、内存大小等情况给Ucpu、Umem、Uio和Unet的重要性系数R1,R2,R3和R4一个初始权值,其中,R1=0.2,R2=0.25,R3=0.3,R4=0.25;
步骤102,利用Apache Benchmark测试工具对分布式文件***FastDFS进行压力测试,并收集测试结果;
步骤103,调整并修改服务器数据节点各项指标的系数值后继续用ApacheBenchmark测试工具多次压力测试;
步骤104,经过多次压力测试后,通过统计分析对比每次测试的结果;
这里假设进行了m次测试,每次有n个测试结果,将其组成矩阵D:
将矩阵中的数据进行归一化处理并得到决策矩阵Z:
令wj为第j个指标的权值,表示第j和指标的重要性程度,则继续构造加权决策矩阵V:
vij=wj×rij,i=1,2,...,m,j=1,2,...,n
确定理想解V+和负理想解V-,即加权决策矩阵V中vij越大表示测试结果越好:
对测试结果进行评价:
Ci越大表示第i次测试结果越好,则表示此时选定的各项指标参数越优;
步骤105,得出最佳的各项指标影响比例值,经过多次压测并把每次的测试结果收集起来用上述TOPSIS流程进行确定最优解,得出各项指标的比例系数值分别为R1=0.15,R2=0.3,R3=0.35,R4=0.2。
如图2为分布式文件存储***下的负载均衡算法执行的总体流程图,具体步骤包括:
步骤201,数据服务器集群中每个节点都开启一个定时任务,定期收集其各个资源的利用情况,资源利用情况包括CPU利用率Ucpu、内存利用率Umem、磁盘IO利用率Uio和网络带宽利用率Unet;以Di表示数据服务器集群中的第i个节点,第i个节点Di的CPU利用率Ucpu(i)计算方法为:其中是时间段t1~t2内Di节点的用户态CPU利用率和内核态CPU利用之和,是时间段t1~t2内的CPU时间总和,t1是指上次计算的时间,t2是指本次计算的时间;
第i个节点Di的内存利用率Umem(i)计算为:其中Muse表示在Di节点在t2时间点的内存使用量,Mtotal表示Di的总内存;
第i个节点Di的磁盘I/O利用率为Uio(i);
第i个节点Di的网络带宽利用率其中是时间段t1~t2内Di节点的网络带宽,netmax是网卡的最大带宽;
调度器节点利用Linux操作***中Socket编程中的epoll多路复用技术,通过监听9999端口,后端数据服务器节点都会与其进行连接;
步骤202,后端服务器节点都会定期把自己的CPU利用率、内存利用率、磁盘IO利用率和连接数等指标信息通过连接发给调度器;
步骤203,调度器收到各个数据服务器节点的指标信息后,先计算出其负载值,在计算出其权重值:
Loadi=0.15×Ucpu(i)+0.3×Umem(i)+0.35×Uio(i)+0.2×Unet(i),=1,2,...,n
本发明为常量,表示在计算时一定范围内可以允许的误差,表示如果服务器的负载在Loadbest上下波动不超过时不需要更改其权值。而和是用在计算数据服务器节点权重进行调节的系数,这样可以在数据服务器节点的负载过重时快速的降低其权重值,以减轻其负担;数据服务器节点的负载较小时缓慢的增加其权重值,不至于使其负担过快加重。同时考虑到每个资源利用率不能太高,太高会导致服务器无法正常对外提供服务,因此需要给每个资源利用率设定一个阈值,超过该阈值调度器需要将其权重值W设为0,防止继续为其分配请求,这里定义为95%。
步骤204,调度器在计算出后端数据服务器节点的权重值后,就根据权值动态改变请求分发策略即权值大的会被分配更多的请求,权值小的会被分配到少量请求甚至不会进行分配请求:
假设后端有三台服务器s1、s2和s3,它们的权重值在运行过程中被调度器动态改变为4、2和1,那么在调度器收到7个请求时,调度器的具体分配过程如下表所示
从表中可以看出这7个请求的分配顺序是s1,s2,s1,s3,s1,s2,s1,不会出现连续的请求都分配到同一个节点的情况,而且这个7个请求中s1被分配4次,s2被分配2次,s3被分配1次,调度器分配比较合理而且很平滑;
步骤205,调度器判断是否继续采集数据服务器节点的指标信息,如果继续采集那么跳转到步骤203,否则将执行退出程序。
此外,考虑到数据服务器节点是定期即每隔一段时间t就把自身的各项指标信息发送给调度器,但是这个时间间隔t不宜过短,过短会导致数据服务器节点频繁的获取器各项指标信息,这样会对其处理读取文件请求造成性能影响,同时也会导致调度器频繁的计算权重和调整权重,这样也会对调度器增加大量负担。同理时间t也不宜过长,过长的会造成一定的延迟性以至于调度器采集到数据服务器各项指标信息不够准确,无法反映真实的数据服务器集群的负载情况。这个根据数据服务器节点具体情况设定时间t即可。
图3为实施例中的海量小文件存储访问***的总体架构图,其包括用户访问层、数据访问层和数据存储层。数据访问层主要是对用户的访问进行代理,其既服务于上层的用户访问层,而且也衔接着下层的数据存储层,在应对高并发小文件访问请求时,可以根据数据存储层中存储节点的负载情况进行合理调度。
本发明方法是用以下指标来评价其性能:
1)请求处理时间:对于用户来讲,请求处理时间是指用户发送请求到请求完成所需的时间,该值反映了服务器对于用户的服务质量,该值越小对于用户的体验更好。
2)***吞吐率:对于***来讲,吞吐率是指单位时间内在网络上进行传输的数据总量,或者说是指在单位时间内***处理用户的请求数,是衡量***性能的重要指标,通常可以用请求数/s来进行衡量。
进一步的,为了更加直观的体现本发明算法在实际运行过程中对高并发海量小文件访问所带来的性能提升,本实施例还利用静态的加权轮询负载算法和本发明方法进行对比,如图4所示为不同并发量下请求处理时间的对比图,可以看出在并发访问量较小的时候本发明的算法和加权轮询负载均衡算法的平均响应时间差不多,甚至加权负载均衡算法的性能会稍高一点。这是因为此时的***负载较低,还没达到性能瓶颈,反映到后端各个文件服务器节点资源利用率还不是很高。而本发明需要定期的收集各节点的资源利用信息并计算权值,这会给调度器带来一定的负担。但是随着并发访问量的增加,大量的文件访问请求导致***负载增加,而此时加权轮询负载均衡算法并不关心后端各节点的实时负载,只是固定的按照开始设定的权值将任务分配给各节点。本发明充分考虑了影响后端节点性能的动态因素,并周期性的反馈给调度器,在负载值较低的时候,缓慢的提升其权值,调度器获取后端节点的负载情况更加准确,同时也不会频繁的更改其权值,可以更好的根据实际情况分配任务,在相同的高并发请求量情况下有更好的性能表现。
图5所示为不同并发访问量下的吞吐率的对比图,可以看出在并发访问量不高的时候两种方法的性能表现基本差不多,但是随着并发访问量增加,本发明的方法性能表现更好。这是因为加权轮询算法在分配任务时没有考虑分布式***各节点的实时负载状态,不能根据各节点的负载程度均衡的分配任务,导致负载高的节点积累的任务过多而使大量请求长时间得不到处理甚至请求超时而降低***吞吐量。而本发明充分考虑了影响后端节点性能的动态因素和集群的异构情况,并周期性的反馈给调度器,所以调度器获取***各节点的负载情况更加准确,可以更好的根据实际情况合理的分配任务,在相同的高并发访问量情况下有更高的吞吐量,应用到小文件分布式存储***中,能够带来更快的文件访问速度。
本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于海量小文件高并发情况下动态负载均衡方法,其特征在于包括于如下步骤:
1)数据服务器集群中每个节点都开启一个定时任务,定期收集其各个资源的利用情况,资源利用情况包括CPU利用率Ucpu、内存利用率Umem、磁盘IO利用率Uio和网络带宽利用率Unet;以Di表示数据服务器集群中的第i个节点,第i个节点Di的CPU利用率Ucpu(i)计算方法为:其中是时间段t1~t2内Di节点的用户态CPU利用率和内核态CPU利用之和,是时间段t1~t2内的CPU时间总和,t1是指上次计算的时间,t2是指本次计算的时间;
第i个节点Di的内存利用率Umem(i)计算为:其中Muse表示在Di节点在t2时间点的内存使用量,Mtotal表示Di的总内存;
第i个节点Di的磁盘I/O利用率为Uio(i);
第i个节点Di的网络带宽利用率其中是时间段t1~t2内Di节点的网络带宽,netmax是网卡的最大带宽;
2)数据服务器节点把自身的Ucpu、Umem、Uio和Unet发送给调度服务器;
3)调度服务器收到数据服务器节点的Ucpu、Umem、Uio和Unet之后使用如下公式来计算每一个数据服务器节点的负载值Loadi:
Loadi=R1×Ucpu(i)+R2×Umem(i)+R3×Uio(i)+R4×Unet(i);
其中R1,R2,R3,R4分别是CPU、内存、磁盘I/O和网络带宽影响因子,且满足i∈{1,2,3,4+,Ri∈(0,1),
4)在后端数据服务器节点开始运行时,根据第i个节点的硬件配置信息给第i个节点初始的权重值Wi,Wi表示数据服务器集群中的第i个节点的权重值;
5)数据服务器节点的实时权重值Wi用如下公式进行计算求得:
所述的为常量,表示在计算时允许的误差,表示如果服务器的负载在Loadbest上下波动不超过时不需要更改其权值;和是用在计算数据服务器节点权重进行调节的系数,且 Loadbest是***的理想负载值,Loadbest∈[0.7,0.8];
6)调度器节点根据计算出来各个数据服务器节点的实时权重值动态的改变请求任务的分配,权重值高的会收到较多的请求,权重低的收到较少的请求。
2.根据权利要求1所述的基于海量小文件高并发情况下动态负载均衡方法,其特征在于,所述的和通过读取Linux下的虚拟文件/proc/stat计算得到。
3.根据权利要求1所述的基于海量小文件高并发情况下动态负载均衡方法,其特征在于,所述的Muse和Mtotal通过读取Linux下的虚拟文件/proc/meminfo计算得到。
4.根据权利要求1所述的基于海量小文件高并发情况下动态负载均衡方法,其特征在于,所述的Uio(i)直接在Linux中执行iostat-x-d sda命令获取;这个命令执行后会得到一个%util参数值,该值表示当前时间***磁盘IO的使用率。
5.根据权利要求1所述的基于海量小文件高并发情况下动态负载均衡方法,其特征在于,所述的通过读取Linux下的虚拟文件/proc/net/dev来进行计算得到。
6.根据权利要求1所述的基于海量小文件高并发情况下动态负载均衡方法,其特征在于,所述的netmax利用ethtool工具获取。
7.根据权利要求1所述的基于海量小文件高并发情况下动态负载均衡方法,其特征在于,所述的第i个节点初始的权重值Wi的调整范围为[Wmin,Wmax],其中Wmin=0,Wmax=max(Wi);max(wi)为理想负载值,理想负载值Loadbest∈[0.7,0.8]。
8.根据权利要求1所述的基于海量小文件高并发情况下动态负载均衡方法,其特征在于,所述的取0.03;Loadbest取0.7;所述的的值采用Apache Benchmark测试工具对数据服务器集群进行多组压力测试和实际应用场景确定。
9.根据权利要求1所述的基于海量小文件高并发情况下动态负载均衡方法,其特征在于,所述的R1,R2,R3,R4通过如下步骤确定:
(1)给R1,R2,R3和R4一个初始值,然后用Apache Benchmark进行压力测试;
(2)收集每次的测试结果;
(3)将多次的测试结果组成一个矩阵D;
(4)对矩阵中的数据进行归一化处理得到决策矩阵Z;
(5)对矩阵进行加权处理,得到加权决策矩阵V;
(6)确定理想解和负理想解,即在每次的测试结果中选出最大值和最小值;
(7)计算每次的测试结果到理想点的距离D+和负理想点的距离D-,定义来对每次的测试结果进行评价,并且C越大表示测试结果越好,此时选定的R1,R2,R3和R4的值最优。
10.根据权利要求9所述的基于海量小文件高并发情况下动态负载均衡方法,其特征在于,所述的R1,R2,R3和R4的初始值设定分别为:R1=0.2,R2=0.25,R3=0.3,R4=0.25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910418947.7A CN110149395A (zh) | 2019-05-20 | 2019-05-20 | 一种基于海量小文件高并发情况下动态负载均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910418947.7A CN110149395A (zh) | 2019-05-20 | 2019-05-20 | 一种基于海量小文件高并发情况下动态负载均衡方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110149395A true CN110149395A (zh) | 2019-08-20 |
Family
ID=67592178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910418947.7A Pending CN110149395A (zh) | 2019-05-20 | 2019-05-20 | 一种基于海量小文件高并发情况下动态负载均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110149395A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110691118A (zh) * | 2019-08-30 | 2020-01-14 | 许昌许继软件技术有限公司 | 一种微服务集群中的服务选择方法及装置 |
CN110708369A (zh) * | 2019-09-25 | 2020-01-17 | 深圳市网心科技有限公司 | 设备节点的文件部署方法、装置、调度服务器及存储介质 |
CN111324464A (zh) * | 2020-03-12 | 2020-06-23 | 北京首汽智行科技有限公司 | 一种基于微服务架构的负载分配方法 |
CN111526208A (zh) * | 2020-05-06 | 2020-08-11 | 重庆邮电大学 | 一种基于微服务的高并发云平台文件传输优化方法 |
CN111586134A (zh) * | 2020-04-29 | 2020-08-25 | 新浪网技术(中国)有限公司 | 一种cdn节点过载的调度方法及*** |
CN111782626A (zh) * | 2020-08-14 | 2020-10-16 | 工银科技有限公司 | 任务分配方法和装置、分布式***、电子设备和介质 |
CN111813542A (zh) * | 2020-06-18 | 2020-10-23 | 浙大宁波理工学院 | 一种并行处理大规模图分析任务的负载均衡方法及其装置 |
CN113099252A (zh) * | 2021-03-29 | 2021-07-09 | 浙江工业大学 | 一种基于sip与rtmp的远程投食器视频推送*** |
CN113556397A (zh) * | 2021-07-21 | 2021-10-26 | 山东建筑大学 | 面向物联网网关的云服务资源调度方法 |
CN113608878A (zh) * | 2021-08-18 | 2021-11-05 | 上海德拓信息技术股份有限公司 | 一种基于资源权重计算的任务分布式调度方法与*** |
CN113886081A (zh) * | 2021-09-29 | 2022-01-04 | 南京地铁建设有限责任公司 | 一种基于负载均衡的车站多刷脸阵列人脸库分割方法 |
CN114567637A (zh) * | 2022-03-01 | 2022-05-31 | 浪潮云信息技术股份公司 | 一种智能设置负载均衡后端服务器权重的方法及*** |
CN115208889A (zh) * | 2022-05-12 | 2022-10-18 | 国家信息中心 | 一种高并发大流量的视频安全隔离传输方法及*** |
CN115629717A (zh) * | 2022-12-08 | 2023-01-20 | 四川汉唐云分布式存储技术有限公司 | 一种基于分布式存储的负载均衡方法和存储介质 |
WO2023155703A1 (zh) * | 2022-02-18 | 2023-08-24 | 华为技术有限公司 | 一种工作负载特征提取方法及装置 |
CN117155871A (zh) * | 2023-10-31 | 2023-12-01 | 山东衡昊信息技术有限公司 | 一种港口工业互联网点位低时延并发处理方法 |
CN117880206A (zh) * | 2024-03-12 | 2024-04-12 | 深圳市艾奥科技有限公司 | 一种物联网管理设备的负载平衡方法及*** |
WO2024082861A1 (zh) * | 2022-10-20 | 2024-04-25 | 天翼数字生活科技有限公司 | 一种应用于视频监控中的云存储调度*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070143460A1 (en) * | 2005-12-19 | 2007-06-21 | International Business Machines Corporation | Load-balancing metrics for adaptive dispatching of long asynchronous network requests |
US8949410B2 (en) * | 2010-09-10 | 2015-02-03 | Cisco Technology, Inc. | Server load balancer scaling for virtual servers |
WO2016133965A8 (en) * | 2015-02-18 | 2016-10-13 | KEMP Technologies Inc. | Methods for intelligent data traffic steering |
CN107645520A (zh) * | 2016-07-21 | 2018-01-30 | 阿里巴巴集团控股有限公司 | 一种负载均衡方法、装置以及*** |
CN108200156A (zh) * | 2017-12-29 | 2018-06-22 | 南京邮电大学 | 一种云环境下分布式文件***的动态负载均衡方法 |
CN108667878A (zh) * | 2017-03-31 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 服务器负载均衡方法及装置、存储介质、电子设备 |
CN109120715A (zh) * | 2018-09-21 | 2019-01-01 | 华南理工大学 | 一种云环境下动态负载均衡方法 |
CN109710412A (zh) * | 2018-12-28 | 2019-05-03 | 广州市巨硅信息科技有限公司 | 一种基于动态反馈的Nginx负载均衡方法 |
-
2019
- 2019-05-20 CN CN201910418947.7A patent/CN110149395A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070143460A1 (en) * | 2005-12-19 | 2007-06-21 | International Business Machines Corporation | Load-balancing metrics for adaptive dispatching of long asynchronous network requests |
US8949410B2 (en) * | 2010-09-10 | 2015-02-03 | Cisco Technology, Inc. | Server load balancer scaling for virtual servers |
WO2016133965A8 (en) * | 2015-02-18 | 2016-10-13 | KEMP Technologies Inc. | Methods for intelligent data traffic steering |
CN107645520A (zh) * | 2016-07-21 | 2018-01-30 | 阿里巴巴集团控股有限公司 | 一种负载均衡方法、装置以及*** |
CN108667878A (zh) * | 2017-03-31 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 服务器负载均衡方法及装置、存储介质、电子设备 |
CN108200156A (zh) * | 2017-12-29 | 2018-06-22 | 南京邮电大学 | 一种云环境下分布式文件***的动态负载均衡方法 |
CN109120715A (zh) * | 2018-09-21 | 2019-01-01 | 华南理工大学 | 一种云环境下动态负载均衡方法 |
CN109710412A (zh) * | 2018-12-28 | 2019-05-03 | 广州市巨硅信息科技有限公司 | 一种基于动态反馈的Nginx负载均衡方法 |
Non-Patent Citations (2)
Title |
---|
杨玉霞: "基于Nginx的地理信息服务集群构建技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
熊建波: "FastDFS分布式文件***负载均衡算法的改进研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110691118A (zh) * | 2019-08-30 | 2020-01-14 | 许昌许继软件技术有限公司 | 一种微服务集群中的服务选择方法及装置 |
CN110708369B (zh) * | 2019-09-25 | 2022-09-16 | 深圳市网心科技有限公司 | 设备节点的文件部署方法、装置、调度服务器及存储介质 |
CN110708369A (zh) * | 2019-09-25 | 2020-01-17 | 深圳市网心科技有限公司 | 设备节点的文件部署方法、装置、调度服务器及存储介质 |
CN111324464A (zh) * | 2020-03-12 | 2020-06-23 | 北京首汽智行科技有限公司 | 一种基于微服务架构的负载分配方法 |
CN111586134A (zh) * | 2020-04-29 | 2020-08-25 | 新浪网技术(中国)有限公司 | 一种cdn节点过载的调度方法及*** |
CN111526208A (zh) * | 2020-05-06 | 2020-08-11 | 重庆邮电大学 | 一种基于微服务的高并发云平台文件传输优化方法 |
CN111813542A (zh) * | 2020-06-18 | 2020-10-23 | 浙大宁波理工学院 | 一种并行处理大规模图分析任务的负载均衡方法及其装置 |
CN111813542B (zh) * | 2020-06-18 | 2024-02-13 | 浙大宁波理工学院 | 一种并行处理大规模图分析任务的负载均衡方法及其装置 |
CN111782626A (zh) * | 2020-08-14 | 2020-10-16 | 工银科技有限公司 | 任务分配方法和装置、分布式***、电子设备和介质 |
CN113099252A (zh) * | 2021-03-29 | 2021-07-09 | 浙江工业大学 | 一种基于sip与rtmp的远程投食器视频推送*** |
CN113556397A (zh) * | 2021-07-21 | 2021-10-26 | 山东建筑大学 | 面向物联网网关的云服务资源调度方法 |
CN113556397B (zh) * | 2021-07-21 | 2022-05-06 | 山东建筑大学 | 面向物联网网关的云服务资源调度方法 |
CN113608878A (zh) * | 2021-08-18 | 2021-11-05 | 上海德拓信息技术股份有限公司 | 一种基于资源权重计算的任务分布式调度方法与*** |
CN113886081A (zh) * | 2021-09-29 | 2022-01-04 | 南京地铁建设有限责任公司 | 一种基于负载均衡的车站多刷脸阵列人脸库分割方法 |
WO2023155703A1 (zh) * | 2022-02-18 | 2023-08-24 | 华为技术有限公司 | 一种工作负载特征提取方法及装置 |
CN114567637A (zh) * | 2022-03-01 | 2022-05-31 | 浪潮云信息技术股份公司 | 一种智能设置负载均衡后端服务器权重的方法及*** |
CN115208889A (zh) * | 2022-05-12 | 2022-10-18 | 国家信息中心 | 一种高并发大流量的视频安全隔离传输方法及*** |
CN115208889B (zh) * | 2022-05-12 | 2023-11-28 | 国家信息中心 | 一种高并发大流量的视频安全隔离传输方法及*** |
WO2024082861A1 (zh) * | 2022-10-20 | 2024-04-25 | 天翼数字生活科技有限公司 | 一种应用于视频监控中的云存储调度*** |
CN115629717A (zh) * | 2022-12-08 | 2023-01-20 | 四川汉唐云分布式存储技术有限公司 | 一种基于分布式存储的负载均衡方法和存储介质 |
CN117155871A (zh) * | 2023-10-31 | 2023-12-01 | 山东衡昊信息技术有限公司 | 一种港口工业互联网点位低时延并发处理方法 |
CN117155871B (zh) * | 2023-10-31 | 2024-01-12 | 山东衡昊信息技术有限公司 | 一种港口工业互联网点位低时延并发处理方法 |
CN117880206A (zh) * | 2024-03-12 | 2024-04-12 | 深圳市艾奥科技有限公司 | 一种物联网管理设备的负载平衡方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110149395A (zh) | 一种基于海量小文件高并发情况下动态负载均衡方法 | |
US11558244B2 (en) | Improving performance of multi-processor computer systems | |
CN109976917B (zh) | 一种负载调度方法、装置、负载调度器、存储介质及*** | |
CN112162865B (zh) | 服务器的调度方法、装置和服务器 | |
CN109120715A (zh) | 一种云环境下动态负载均衡方法 | |
Yeung et al. | Horus: Interference-aware and prediction-based scheduling in deep learning systems | |
US9703285B2 (en) | Fair share scheduling for mixed clusters with multiple resources | |
CN107832153B (zh) | 一种Hadoop集群资源自适应分配方法 | |
WO2020206705A1 (zh) | 一种基于集群节点负载状态预测的作业调度方法 | |
US10534542B2 (en) | Dynamic core allocation for consistent performance in a non-preemptive scheduling environment | |
US5537542A (en) | Apparatus and method for managing a server workload according to client performance goals in a client/server data processing system | |
US8683472B2 (en) | Adjusting thread priority to optimize computer system performance and the utilization of computer system resources | |
US9749208B2 (en) | Integrated global resource allocation and load balancing | |
US7401248B2 (en) | Method for deciding server in occurrence of fault | |
US9081621B2 (en) | Efficient input/output-aware multi-processor virtual machine scheduling | |
CN107426332B (zh) | 一种web服务器集群的负载均衡方法及*** | |
US20120005685A1 (en) | Information Processing Grid and Method for High Performance and Efficient Resource Utilization | |
US10305724B2 (en) | Distributed scheduler | |
CN109710412A (zh) | 一种基于动态反馈的Nginx负载均衡方法 | |
US20220398021A1 (en) | Workload management using a trained model | |
CN109981419A (zh) | 负载均衡特性的测试方法、装置、***、设备及存储介质 | |
CN109032800A (zh) | 一种负载均衡调度方法、负载均衡器、服务器及*** | |
CN102339233A (zh) | 云计算集中管理平台 | |
CN115562870A (zh) | 一种集群的任务节点资源构建方法 | |
Lu et al. | InSTechAH: Cost-effectively autoscaling smart computing hadoop cluster in private cloud |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190820 |
|
WD01 | Invention patent application deemed withdrawn after publication |