在線選課系統(tǒng)中負(fù)載均衡技術(shù)的應(yīng)用

引言：本文對(duì)負(fù)載均衡技術(shù)原理及算法進(jìn)行分析，在選課系統(tǒng)中采用了處理能力均衡和加權(quán)最小連接均衡相結(jié)合的算法，很好地解決了在選課高峰期系統(tǒng)出現(xiàn)網(wǎng)絡(luò)擁堵問題，提高了系統(tǒng)的負(fù)載承受能力。

目前高校的網(wǎng)上在線選課系統(tǒng)中，Web服務(wù)器的服務(wù)能力已經(jīng)不能滿足實(shí)際客戶訪問需要，所以，現(xiàn)在在大型應(yīng)用系統(tǒng)中多采用服務(wù)器集群，為用戶提供并發(fā)服務(wù)。集群服務(wù)器的布署要考慮如何解決任務(wù)在多個(gè)Web服務(wù)器上的均衡分配問題。如果出現(xiàn)某臺(tái)服務(wù)器過忙而不能及時(shí)響應(yīng)用戶訪問，而其他服務(wù)器卻因用任務(wù)不足未充分發(fā)揮處理能力的情況，就降低了服務(wù)器集群的整體響應(yīng)能力，形成一個(gè)較嚴(yán)重的問題，故此，負(fù)載均衡技術(shù)應(yīng)運(yùn)而生。

一、負(fù)載均衡的定義

所謂負(fù)載就是指被分配到各個(gè)Web服務(wù)器節(jié)點(diǎn)上并行去執(zhí)行的子任務(wù)，是一個(gè)抽象的概念，它描述的是系統(tǒng)的閑忙程度。讓負(fù)載均衡地分配到并行系統(tǒng)的各個(gè)服務(wù)器節(jié)點(diǎn)上稱為負(fù)載均衡。負(fù)載均衡可以從以下兩個(gè)方面來理解：第一，將大量的服務(wù)數(shù)據(jù)流量或并發(fā)訪問分配到多臺(tái)Web服務(wù)器上，縮短系統(tǒng)的響應(yīng)時(shí)間，減少客戶端等待時(shí)間；第二，當(dāng)網(wǎng)絡(luò)中出現(xiàn)負(fù)載不均衡時(shí)，進(jìn)行負(fù)載移動(dòng)，把單個(gè)負(fù)載重的節(jié)點(diǎn)的任務(wù)轉(zhuǎn)移到到其他節(jié)點(diǎn)上，作服務(wù)并行處理，從而讓系統(tǒng)處理能力得到大幅度提升。所以，負(fù)載均衡（Load Balancing）技術(shù)就是采用一定的分配策略來平衡各個(gè)Web服務(wù)器節(jié)點(diǎn)上的負(fù)載任務(wù)，使其服務(wù)保持基本相當(dāng)。

二、負(fù)載均衡目前解決的問題

目前負(fù)載均衡將要解決的主要問題有以下幾點(diǎn)：

第一， 解決Web服務(wù)器擁堵現(xiàn)象，服務(wù)能夠就近得到實(shí)現(xiàn)，實(shí)現(xiàn)與地理位置要素的無關(guān)性。

第二， 能夠?yàn)榭蛻舳颂峁└哔|(zhì)量的訪問服務(wù)。

第三， 提高Web服務(wù)器端響應(yīng)客戶請(qǐng)求的速度。

第四， 可以最大程度地提高Web服務(wù)器端與其他系統(tǒng)資源的利用率。

第五， 解決網(wǎng)絡(luò)單點(diǎn)故障問題，網(wǎng)絡(luò)中關(guān)鍵部位的設(shè)備出現(xiàn)故障時(shí)會(huì)導(dǎo)致整個(gè)系統(tǒng)無響應(yīng)，增加冗余設(shè)備會(huì)避免單點(diǎn)故障。

三、負(fù)載均衡在選課系統(tǒng)中的架構(gòu)

本文所研究的網(wǎng)上在線選課系統(tǒng)中，學(xué)生通過客戶端向集群Web服務(wù)器發(fā)送請(qǐng)求后，交換機(jī)與負(fù)載均衡器接受服務(wù)的請(qǐng)求，通過相應(yīng)的負(fù)載均衡分配算法選定一臺(tái)Web服務(wù)器來響應(yīng)當(dāng)前的請(qǐng)求，接受訪問請(qǐng)求的Web服務(wù)器與后臺(tái)數(shù)據(jù)庫SQL Sever 2000連接，將最終請(qǐng)求數(shù)據(jù)返回給客戶端。

根據(jù)高校網(wǎng)上在線選課服務(wù)平臺(tái)設(shè)計(jì)目標(biāo)與網(wǎng)絡(luò)服務(wù)訪問量的需求，確定的負(fù)載均衡總體規(guī)劃方案是：客戶端的訪問通過網(wǎng)絡(luò)防火墻和交換機(jī)，然后再經(jīng)過負(fù)載均衡器引導(dǎo)給某臺(tái)Web服務(wù)器，負(fù)載均衡器負(fù)責(zé)請(qǐng)求服務(wù)數(shù)據(jù)流量分配，它通過動(dòng)態(tài)服務(wù)器域名解析實(shí)現(xiàn)多臺(tái)Web服務(wù)在網(wǎng)絡(luò)中動(dòng)態(tài)分擔(dān)流量；這樣可以提高整體網(wǎng)絡(luò)的訪問速度和穩(wěn)定性，考慮到選課系統(tǒng)是用靜態(tài)頁面與動(dòng)態(tài)頁面技術(shù)，需要在Web服務(wù)器與數(shù)據(jù)庫服務(wù)器之間連接一臺(tái)應(yīng)用服務(wù)器，來處理訪問與請(qǐng)求的數(shù)據(jù)和靜態(tài)頁面，并把生成的靜態(tài)頁面能夠自動(dòng)分配給多臺(tái)Web服務(wù)器；這樣部署方案的優(yōu)勢(shì)主要體現(xiàn)在：多臺(tái)Web服務(wù)器之間成互相存儲(chǔ)與備份，當(dāng)其中一臺(tái)Web服務(wù)器出設(shè)備硬件故障，但是并不影響其它任何一臺(tái)Web服務(wù)的應(yīng)用和訪問；當(dāng)SQL Server數(shù)據(jù)庫服務(wù)器出現(xiàn)問題時(shí)，也同樣不會(huì)對(duì)Web服務(wù)器的應(yīng)用和訪問產(chǎn)生影響，數(shù)據(jù)庫服務(wù)器之間還是能夠?qū)崿F(xiàn)訪問的數(shù)據(jù)同步，即是數(shù)據(jù)庫雙存儲(chǔ)的原理。

四、負(fù)載均衡實(shí)現(xiàn)算法

負(fù)載均衡的核心內(nèi)容是一種服務(wù)性調(diào)度尋優(yōu)算法，即是指將各個(gè)子服務(wù)任務(wù)比較均衡的分布給不同的Web服務(wù)器節(jié)點(diǎn)上并行處理，從而使各個(gè)服務(wù)器的利用達(dá)到最大程度的均衡。算法闡述如下：

（一） 基本粒子群算法

在粒子群算法中，每個(gè)個(gè)體稱為“粒子”，代表著一個(gè)潛在的解，多個(gè)粒子共存，合作尋優(yōu)。每個(gè)粒子根據(jù)自身的歷史最優(yōu)值和種群的歷史最優(yōu)值，在解空間中向更好的位置飛行，搜索最優(yōu)解。

基本粒子群算法的數(shù)學(xué)模型如下：

設(shè)搜索空間為D維，總粒子數(shù)為n. 第i個(gè)粒子位置表示為向量 ；第i個(gè)粒子個(gè)體歷史最優(yōu)位置記為 ；種群歷史最優(yōu)位置 為所有的 中的最優(yōu)；第i個(gè)粒子的位置速度為向量 .每個(gè)粒子的位置按下式公式進(jìn)行更新：

（1）

（2）

（二） 引入混沌優(yōu)化的粒子群算法

混沌運(yùn)動(dòng)能在一定范圍內(nèi)按其自身“規(guī)律”不重復(fù)遍歷所有狀態(tài)。利用這種遍歷性來初始化粒子，可以優(yōu)化粒子群算法的粒子初始分布，加強(qiáng)算法的全局搜索能力。

一個(gè)典型的混沌系統(tǒng)是由Logistic方程產(chǎn)生：

（3）

高鷹等將混沌優(yōu)化思想引入到了粒子群優(yōu)化算法中，提出了混沌粒子群優(yōu)化算法（CPSO）。 混沌粒子群算法的基本思想主要體現(xiàn)在以下兩個(gè)方面：

1.采用混沌序列初始化粒子的位置和速度，既沒有改變粒子群算法初始化時(shí)有的隨機(jī)性，又利用了混沌提高了粒子的種群多樣性和搜索遍歷性。在產(chǎn)生大量初始群體的基礎(chǔ)上，擇優(yōu)出粒子群算法的初始群體，加強(qiáng)算法的全局搜索能力。

2.以當(dāng)前整個(gè)粒子群迄今為止搜索到的最優(yōu)位置為基礎(chǔ)產(chǎn)生混沌序列，把產(chǎn)生的混沌序列中的最優(yōu)位置粒子替代當(dāng)前粒子群中的一個(gè)粒子的位置。 引入混沌序列的搜索算法可在迭代中產(chǎn)生局部最優(yōu)解的許多鄰域點(diǎn)，以此幫助惰性粒子逃離局部極值點(diǎn)，并快速搜尋到全局最優(yōu)解。

混沌粒子群優(yōu)化算法在進(jìn)行負(fù)載均衡分配過程的具體實(shí)現(xiàn)步驟如下：

第一步：初始化設(shè)置最大允許迭代次數(shù)或誤差精度，以及混沌粒子群優(yōu)化算法相關(guān)參數(shù)：慣性權(quán)重、學(xué)習(xí)因子。

第二步：初始化粒子的位置和速度：

1.隨機(jī)產(chǎn)生一個(gè)n維的每個(gè)分量數(shù)值在0-1之間的向量 ，n為目標(biāo)函數(shù)中的變量個(gè)數(shù)，根據(jù)式（3），得到N個(gè)向量 ；

2.將 的各個(gè)分量載波到變量的取值區(qū)間；

3.計(jì)算粒子群的適應(yīng)度，并從N個(gè)初始群體中選擇性能較好的M個(gè)解作為初始種群，隨機(jī)產(chǎn)生M個(gè)初始速度；

第三步：如果粒子適應(yīng)度優(yōu)于其個(gè)體極值 ， 更新為新位置；如果某個(gè)體極值優(yōu)于全局極值 ， 更新為新位置；

第四步：根據(jù)公式（1）～（2）更新粒子的位置和速度；

第五步：對(duì)最優(yōu)位置 ，施加混沌擾動(dòng). 將 映射到方程（4）的定義域[0，1]. 然后，用Logistic方程進(jìn)行迭代產(chǎn)生混沌變量序列 ，再把產(chǎn)生的混沌變量序列通過逆映射返回到原解空間，得：

在原解空間對(duì)混沌變量經(jīng)歷的每一個(gè)可行解 計(jì)算其適應(yīng)度，得到性能最好的可行解 ；

第六步：用 取代當(dāng)前群體中任意一個(gè)粒子的位置；

第七步：若滿足停止條件，則搜索停止，輸出全局最優(yōu)位置，否則返回第三步。

（作者單位：臨沂大學(xué)）

作者簡(jiǎn)介

王浩，1993年5月生，山東省蘭陵縣人，臨沂大學(xué)2012級(jí)軟件工程專業(yè)本科生。

高宗振：本文指導(dǎo)教師。