摘要：介紹了Web服務器集群技術和負載均衡，針對靜態(tài)的加權輪詢算法和動態(tài)加權最小連接數(shù)算法的不足，提出一種基于動態(tài)反饋的加權最小連接數(shù)算法，該算法根據(jù)服務器的實時負載動態(tài)地改變權值的大小，再根據(jù)最小連接數(shù)算法來分配新的連接請求。通過網(wǎng)絡仿真軟件OPNET對這3種算法進行仿真、對比得出，新的算法能降低HTTP響應時間、提高負載均衡效率。
關鍵詞：Web服務器集群；負載均衡；動態(tài)反饋；OPNET
0引言
隨著互聯(lián)網(wǎng)的快速發(fā)展，用戶數(shù)量不斷增多，越來越多的網(wǎng)站在面對高并發(fā)數(shù)據(jù)請求時出現(xiàn)頁面加載過慢和頁面無響應的情況。對于服務器負載過大的情況有兩類解決方式，一種是單個服務器的硬件優(yōu)化，一種是采用集群的方式來實現(xiàn)。硬件優(yōu)化是提高服務器的配置，這種方式往往價格比較高昂。集群是一組相互獨立、通過高速網(wǎng)絡互連且以單一系統(tǒng)的模式加以管理的計算機。通過負載均衡來合理分配任務，提高網(wǎng)絡服務質(zhì)量，充分利用服務器的各種資源［1］。
服務器集群下的負載均衡技術有多種實現(xiàn)算法，主要分為靜態(tài)算法和動態(tài)算法［2-3］。靜態(tài)算法主要是按固定的比例來分配任務，如加權輪詢(WRR)算法。動態(tài)算法根據(jù)服務器的當前狀態(tài)來分配任務，如加權最小連接數(shù)(WLC)算法［4］。
在實際場景中，服務器群組的性能差異比較大，靜態(tài)方法無法得到一個準確的比值來反映實時的服務器狀況。而且在負載變化較大時，動態(tài)方法用當前連接數(shù)來表示當前負載狀況并不準確［5］。對此文獻［6］提出了一種自適應權值的算法，當負載均衡器收到任務請求時動態(tài)更新節(jié)點權值，通過權值來反映實時負載，但是存在計算開銷太大的問題。文獻［7］提出了一種動態(tài)反饋算法，對實時負載量化，將量化的值與閾值比較，然后反饋新的權值，但是它的閾值是靜態(tài)的，造成反饋的權值誤差比較大。文獻［8］提出了一種預測算法，使用線性方程來預測實時負載，但是存在一定的滯后性。
本文結合靜態(tài)的權值輪詢算法和動態(tài)的最小連接數(shù)算法提出一種動態(tài)反饋的加權最小鏈接算法，通過對服務器的性能和實現(xiàn)負載來動態(tài)調(diào)整節(jié)點的權值，再結合節(jié)點當前連接數(shù)來合理分配任務。
1傳統(tǒng)算法
11加權輪詢算法
加權輪詢算法是對輪詢算法的一種改進,它針對服務器性能不一致的情況，按照性能的高低給各個服務器分配不同的權值。性能高的服務器它的權值相對比較高，能接收的請求就比較多；性能低的服務器它的權值相對比較低，能接收的請求就少。
假設這n個服務器集群的集合用S=(S1，S2…Sn)來表示，第i臺服務器的初始權值為W(Si) (1≤i≤n)，記錄上一次負載均衡器接受到請求連接選擇的節(jié)點i和當前權值cw。當前服務器的最大權值為max(S)。gcd(S)表示的是所有服務器權值的最大公約數(shù)［9］。算法執(zhí)行前先將變量i和cw初始化為-1和0，流程如圖1所示。
加權輪詢算法特點：在輪詢算法的基礎上加入了權值的概念，使用權值來表示每臺服務器之間的性能差異，但是沒有考慮當前連接數(shù)和當前的服務器狀態(tài)，不能實時反映服務器的狀態(tài)，屬于靜態(tài)的負載均衡算法，具有局限性。
12加權最小連接數(shù)算法
加權最小連接數(shù)算法使用權值表示各個服務器性能，當負載均衡器收到新的任務請求時，他會通過各個服務器當前的連接數(shù)和權值的比值大小來判斷，選擇比值最小的服務器來響應任務請求。
同加權輪詢算法一樣服務器集合為S=(S1，S2…Sn)，第i臺服務器初始權值為W(Si) (1≤i≤n)，加權最小連接數(shù)算法還記錄了各個節(jié)點的當前連接數(shù)C(Si)。
當負載均衡器收到一個新的連接請求時，它將根據(jù)以下規(guī)則選擇服務器Sm：
C(Sm)/W(Sm)=min{C(Si)/W(Si)}
其中i∈［1，2，…，n］，W(Si)≠0。
考慮到除法所需的CPU周期比乘法多，所以判斷條件C(Sm)/W(Sm)>C(Si)/W(Si)可以進一步表示為C(Sm)*W(Si)>C(Si)*W(Sm),當服務器的權值為零時，服務器不被調(diào)度［10］。流程圖如圖2所示。
加權最小連接數(shù)算法特點：考慮了服務器的性能和負載均衡過程中各個服務器，充分利用了服務器資源。但是僅憑當前連接數(shù)來反映服務器的負載狀態(tài)顯得不夠合理，而且權值的設置是靜態(tài)的，不能通過實時的調(diào)整來反映當前的負載能力。
2算法改進
上述算法都沒有考慮服務器的實時負載狀態(tài)，存在權值設置過于主觀等問題。為此提出如下改進：
(1)收集服務器的當前負載，這里選擇了當前服務器的CPU利用率、內(nèi)存利用率、網(wǎng)絡帶寬利用率這3個指標，在HTTP請求下服務器負載主要與這3個指標有關。
(2)計算出各個節(jié)點的實時負載，周期性地反饋到負載均衡器。
(3)將負載均衡器接收到的實時負載信息與閾值進行對比，然后動態(tài)地改變各個服務器的節(jié)點的權值，使更新的權值能準確地表示服務器的當前負載。
(4)將新的權值帶入到加權最小連接數(shù)算法中以確定選擇哪個服務器節(jié)點來接收新的任務請求。
21服務器負載的計算
在HTTP請求中，影響負載的主要因素是服務器的CPU利用率、內(nèi)存利用率和網(wǎng)絡帶寬利用率。節(jié)點Si的負載L(Si)主要由服務器CPU利用率Ci、內(nèi)存利用率Mi和網(wǎng)絡帶寬利用率Bi來決定。使用式（1）來計算當前負載：
L(Si)=k1Ci+k2Mi+k3Bi，k1+k2+k3=1(1)
其中k1，k2，k3分別表示了各自指標的所占權重，通過這種方式來更準確地反映服務器的當前負載。
22周期性反饋
通過負載均衡器周期性地接收到服務器的當前負載，根據(jù)負載的大小與閾值對比來改變權值的大小。在這里閾值隨著傳過來的負載大小的改變而改變。將閾值用當前所有負載的均值來表示：
當L(Si)≤L時，判斷該服務器當前的負載狀況為低負載，說明此服務器的負載相對較輕，這時應該增加它的權值。當L(Si)>L時，判斷該節(jié)點當前的負載狀況為高負載，說明此服務器的負載相對較重，這時應該減少它的權值。為了得到新的權值，本文中引入了一個修正變量σ，由式（3）計算得到：
(3)
其中W(Si)表示第i臺服務器的初始權值，C(Si)表示該臺服務器的當前連接數(shù)，而且權值W(Si)不能為零。
節(jié)點新的權值就可以表示為：
周期性地獲取節(jié)點的新權值W(i)′，選擇當前連接數(shù)與更新后的權值的比值最小的服務器來接受新的連接請求。即服務器S(m)接受新的請求，此時要滿足：
C(Sm)/W(Sm)′=min{C(Si)/W(Si)′}(5)
3通過OPNET軟件對三種算法性能進行分析
OPNET是一款應用與網(wǎng)絡仿真軟件，它支持大量的網(wǎng)絡通信協(xié)議和模擬系統(tǒng)分發(fā)，通過對離散事件的仿真來分析系統(tǒng)的行為和性能［11］。
OPNET網(wǎng)絡仿真可以分為網(wǎng)絡層、節(jié)點層、進程層［12］。集群負載均衡的3層建模設計如下：
圖3客戶端拓撲結構圖(1)網(wǎng)絡建模：為了測試加權輪詢算法（WRR）、加權最小連接數(shù)算法（WLC）、改進后的動態(tài)反饋算法（DF）這3種算法的效果，選擇了4臺服務器集群，分別是server1、server2、server3、server4，通過100M線路連接負載均衡器。由6個子網(wǎng)組成客戶端，cilent1~client5表示內(nèi)部子網(wǎng)，client6表示外部子網(wǎng)，每個子網(wǎng)都包含45個用戶終端，客戶端拓撲結構如圖3，整個負載均衡系統(tǒng)的網(wǎng)絡拓撲結構如圖4。
(2)節(jié)點建模：這里最主要的是對負載均衡器建模，它遵循OSI的七層建模規(guī)則，從低到高分別是：物理層、數(shù)據(jù)鏈路層、網(wǎng)絡層、傳輸層、會話層、表示層與應用層，由進程處理模型和隊列模型組成，采用全雙工的數(shù)據(jù)包進行連接，數(shù)據(jù)包傳送按照7層機制來封裝［13］。負載均衡器的節(jié)點模型如圖5。
(3)進程建模：進程層是最底層，它可以描述進程的邏輯，如通信協(xié)議、算法、統(tǒng)計量和操作系統(tǒng)等。通過狀態(tài)轉(zhuǎn)移圖來描述進程模型的邏輯，通過連線來表示狀態(tài)的轉(zhuǎn)移［14］。在節(jié)點編輯器中載入加權輪詢算法(WRR)、加權最小連接數(shù)算法(WLC)、改進的動態(tài)反饋算法(DF)。
為了檢驗算法在集群系統(tǒng)中的均衡效果，使用4臺性能不一樣的服務器組成集群，性能比例為4 ∶7 ∶10 ∶13。選擇仿真設置Application_Config中的HTTP應用，模擬客戶端向服務器發(fā)送HTTP請求［15］。選擇HTTP場景為HTTP_IMAGE，模擬一種HTTP圖片請求場景。客戶端由270個節(jié)點組成，向負載均衡器發(fā)送相同請求。為了簡化運算，參數(shù)k1,k2,k3的取值分別為05，03,02，仿真時間為35 min,更新時間設置為10 s。選取HTTP響應時間、CPU利用率為衡量算法負載均衡效果的統(tǒng)計量［16］。實驗仿真效果如圖6~9。
從圖6可以看出在HTTP請求下，DF算法的HTTP平均響應時間在025 s左右，比WLC算法和WRR算法的效果好。
從圖6可以看出在HTTP請求下，DF算法的HTTP平均響應時間在025 s左右，比WLC算法和WRR算法的效果好。
從圖7~9可以看出，DF算法中4臺服務器的CPU利用率保持在38%左右，但是WRR和WLC算法的CPU利用率比較分散，這表現(xiàn)動態(tài)反饋的算法對系統(tǒng)資源的利用比較均衡。
綜上可看出DF算法相對于WRR算法和WLC算法，其負載均衡具有更好效果。
4結束語
Web服務器集群的核心是負載均衡算法。本文提出的基于動態(tài)反饋的負載均衡算法與加權輪詢算法和加權最小連接數(shù)算法相比，考慮了服務器實時負載對負載均衡的影響，引入了周期性反饋機制來動態(tài)地改變權值的大小，實時反映負載狀況，并根據(jù)實時負載情況將新的權值帶入最小連接數(shù)算法中來判斷選擇哪個服務器接受新的連接請求。根據(jù)仿真結果可以得到，該算法能有效地降低HTTP的響應時間，均衡各服務器的CPU利用率。
參考文獻
［1］ 張玉芳, 魏欽磊, 趙膺. 基于負載權值的負載均衡算法［J］. 計算機應用研究, 2012, 29(12): 4711-4713.
［2］ 胡志剛, 張艷平. 基于目標約束的分層動態(tài)負載均衡算法［J］. 計算機應用研究, 2011, 28(3): 1105-1107.
［3］ BRYHNI H. A comparison of load balancing techniques for scalable Web servers［J］. IEEE Network, 2000, 14(4): 58-64.
［4］ 張前進, 齊美彬, 李莉. 基于應用層負載均衡策略的分析與研究［J］. 計算機工程與應用, 2007, 43(32): 138-142.
［5］ 買京京, 龔紅艷, 宋純賀. 集群系統(tǒng)中的動態(tài)反饋負載均衡策略［J］. 計算機工程, 2008, 34(16): 114-115.
［6］ 耿強, 黃雪琴. 一種基于自適應權值的負載均衡算法［J］. 科學技術與工程, 2013, 13(14): 4079-4081.
［7］ LI W Z, SHI H Y. Dynamic load balancing algorithm based on FCFS［C］. 4th International Conference on Innovative Computing, Information and Control, IEEE, 2009, 10(2): 75-80.
［8］ Yu Ying, Yang Pin, Liang Gang. Load balancing algorithm based on prediction for parallel instrusion detection system［J］. Computer Engineering & Design, 2011, 32(8): 2565-2568.
［9］ 莊晏軒. 服務器集群中基于動態(tài)反饋的負載均衡算法［D］. 大連: 大連理工大學, 2014.
［10］ 王春娟, 董麗麗, 賈麗. Web集群系統(tǒng)的負載均衡算法［J］. 計算機工程, 2010, 36(2): 102-104.
［11］ 陳敏. OPNET網(wǎng)絡仿真［M］. 北京: 清華大學出版社， 2004.
［12］ 陳海紅. OPNET網(wǎng)絡仿真及分析［J］. 赤峰學院學報, 2010, 26( 5): 23-25.
［13］ 廖艷達. 基于Opnet的Web集群負載均衡仿真研究［D］. 桂林: 廣西師范大學, 2007.
［14］ 史鴻雁, 李海生. 基于OPNET的集群負載均衡仿真［J］. 北京工商大學學報, 2010, 28(1): 79-82.
［15］ 操驚雷, 周建國, 秦磊華. 基于OPNET的網(wǎng)絡壓力仿真［J］. 計算機工程, 2009, 35(23): 115-117.
［16］ 張曉艷,扈羅全,汪一鳴，等.基于OPNET的自組織認知無線網(wǎng)絡建模［J］.微型機與應用,2013,32(23):48-51,54.