基于混合预测模型的负载均衡算法研究

结合Web服务用户访问静动态内容的不同特点,提出一种基于混合预测模型的负载均衡算法.该算法建立了网络带宽负载和CPU、内存等综合负载的小波包-支持向量机混合预测模型,根据用户请求的类型,结合负载预测的结果对任务进行分配和调度.仿真结果表明,该算法较传统基于预测的负载均衡算法具有更高的效率和实用性.     

基于Linux虚拟服务器的负载均衡算法

分析Linux虚拟服务器负载均衡调度过程,提出一种基于Linux虚拟服务器的负载均衡算法。该算法结合系统资源类型和服务器权重系数,依据服务器加权负载标准差,进行集群真实服务器负载状况分析,动态调整服务器权重系数,对改进的最小连接数调度算法进行负载均衡调度。测试结果验证了该算法的有效性。     

一种集群系统的透明动态反馈负载均衡算法

随着服务器集群系统大量应用于各中小企业的信息系统中,传统均衡算法一方面由于局限性达不到企业的要求,另一方面大部分中小型企业也无法承受昂贵的硬件负载均衡器费用,本文提出了一种集群系统的透明动态反馈负载均衡算法（TDLBA）。该算法充分考虑集群系统中多种资源（CPU、内存、I/O和网络带宽等）,采用双机热备份负载均衡器,服务器节点周期动态反馈方法,同时引入一个负载冗余以动态调整节点负载分配,从而达到尽量简化负载均衡器的任务分配算法、最大限度满足系统最大吞吐率和提高系统响应时间的目标。测试表明,该算法有效的提高了系统服务性能,且优于静态分配算法和Pick-KX算法。     

一种改进的基于动态反馈的负载均衡算法

负载均衡是集群系统研究的一个重要问题,负载均衡算法是集群任务分配的核心,介绍了LVS中的负载均衡算法,讨论了常用算法的不足,在分析这些算法各自优缺点的基础上,提出了一种改进的基于反馈的负载均衡算法,算法引入一个负载容余参数以更准确地描述集群节点的负载状况,在考虑服务节点真实负载,处理能力的基础上,尽量简化负载均衡器的任务分配算法.测试结果显示该算法优于静态算法.     

基于Linux虚拟服务器的负载均衡

Internet业务量的激增和网络应用特殊化都使得负载均衡成为迫切需求，Linux虚拟服务器按传输层连接对集群节点进行业务分配，能便捷而高效地实现负载均衡，文章对其工作方式和均衡策略进行全面研究，讨论了算法改进和应用实例。     

一种基于内容的Web集群服务器负载均衡算法

提出了一种基于内容的Web集群服务器负载均衡算法,该算法通过引入一个衡量不同内容任务量井利用当前真实节点上的连接数和请求内容的任务量以及真实节点的处理能力来调整服务器负载。同时,算法引入了一个反馈环节,将真实节点的负载信息反馈到负载均衡器,让负载均衡器调整自己的负载均衡策略,提高它的自适应能力。     

一种新的结构化对等网负载均衡算法

研究结构化对等网(P2P)中的负载均衡问题,P2P网络的节点、延迟和处理能力差异性很大,当前负载均衡算法忽略节点差异性,造成网络负载极不平衡,容易出现"热点"问题,使负载变化大。为了更好的均衡P2P负载,提出一种新的网络负载均衡算法。算法充分考虑节点之间的差异性,对物理节点的地址空间进行动态分配,对于热点资源下载采用局部搜索算法找到邻居节点,并自动把负载转移到轻载节点上,保证节点间负载均衡。仿真结果表明,新网络负载均衡算法加快了负载均衡速度,使P2P网络负载均衡更加均衡,能够很好保持系统稳定性。     

基于云自适应遗传算法的LVS 负载均衡改进算法

针对LVS系统存在负载倾斜问题,改进了系统中带权值参数的负载均衡算法．先通过服务器节点反馈的参数计算出服务器节点的负载,再采用云自适应遗传算法根据负载为各服务器节点分配权值,进而实现改进算法．实验证明,改进算法比传统算法提高约10％的性能,可使系统有效地实现动态负载均衡．     

基于支持向量机的网格负载信息预测模型

提出了采用小波分析和最小二乘支持向量机(LS-SVM)混合模型对网格负载信息进行预测。该模型首先基于小波多分辨率分析对非平稳的网格负载样本做序列分解,得到不同尺度下的负载分量,然后利用LS-SVM对不同尺度的分量进行预测,最后通过对各分量预测信息进行重构得到相应的预测值。实验结果表明,使用本模型进行短期负荷预测比传统小波神经网络方法可以获得更好的预测精度。     

基于支持向量机的网格负载信息预测模型

提出了采用小波分析和最小二乘支持向量机（LS-SVM）混合模型对网格负载信息进行预测。该模型首先基于小波多分辨率分析对非平稳的网格负载样本做序列分解,得到不同尺度下的负载分量,然后利用LS-SVM对不同尺度的分量进行预测,最后通过对各分量预测信息进行重构得到相应的预测值。实验结果表明,使用本模型进行短期负荷预测比传统小波神经网络方法可以获得更好的预测精度。     

一种基于CPU负载平均的负载均衡算法

与传统分布式集群环境迁移进程不同,虚拟计算环境下的迁移实体是虚拟机,文章针对虚拟机粒度较大的特性,提出了一种基于虚拟机迁移的负载均衡算法。该方法用CPU预测技术避免呈下降趋势时发生不必要迁移。文章的算法采用全局平均的负载均衡策略,只有当负载差值大于一定值才触发迁移。     

上下文感知服务器中基于预测的负载均衡算法

在上下文感知服务器中,需要收集大量的上下文信息并对其进行处理。必须通过服务器集群并采用负载均衡技术才能保证服务器的正常运行。该文提出基于预测负载进行自适应负载均衡的算法,采用支持向量机预测系统运行下一个阶段的负载量,结合当前系统各节点处理情况进行动态负载分配过程,在任务执行过程中,不进行任务的迁移以减少迁移所带来的系统消耗。通过比较表明,在负载变化较大的情况下,算法能够有效地提高服务器性能。     

一种动态网络负载平衡集群系统的实现

集群系统近年来在计算机网络中的应用越来越广泛,提供服务的负载分配算法对集群的性能有很大的影响。本文通过对集群系统中的负载平衡算法的研究,在Linux下实现了一种集群系统动态网络负载平衡算法。通过实验结果分析,此算法能够提高集群系统服务程序的运行性能。     

基于Fat-Tree的虚拟分片负载均衡算法

近年来,随着云计算技术的发展,数据中心网络已成为工业界和学术界的热门话题。相关研究表明,大流通常携带大量数据,传统的基于ECMP的负载均衡方法容易造成“大流碰撞”问题。提出一种基于Fat-Tree的虚拟分片负载均衡方法,利用TSO原理将大流进行虚拟分片处理并对分片后的子流进行路径寻优处理。实验结果表明,该算法无论在降低网络传播时延还是在提高网络吞吐量等方面都优于传统负载均衡方法。     

基于性能预测和Agent的网格负载平衡的实现

提出了一个综合利用基于性能预测的agent技术以及Web service来实现网格负载平衡的模型。介绍了在agent层进行协商和负载平衡的两种不同方式,以及相关的实现方法和效果评价方法。最后指出了今后的研究方向和重点。     

基于改进数据驱动子空间算法的电力负荷预测

在钢铁企业中,电力负荷消耗规模相对较小,未呈现明显的周期性变化特征,而工序变化会导致瞬间电力负荷波动较大,传统负荷预测模型对工业用电预测效果不佳,无法有效预测出用户的突发性扰动。采用数据驱动的子空间方法预测钢铁企业电力负荷,分别建立基于子空间算法的电力日负荷预测、超短期负荷预测2个模型。为提高预测模型准确率,引入反馈因子和遗忘因子来改善标准子空间算法的性能。以实际电力负荷数据的测试验证该方法的实用性,预测结果能够为钢铁企业的电力负荷预测和二次能源智能管理提供有效的决策支持。     

Linux环境下负载均衡集群的实现

负载均衡集群能够在多台网络设备之间合理分配业务量,使设备充分发挥其处理能力,得到了广泛应用。Tomcat与Apache都可以作为独立运行的服务器来使用,但它们单独使用时存在一定的局限性。为了提高服务器的性能,本文将Tomcat与Apache在Linux环境下进行集成,分析负载均衡集群的架构,详细阐述方案的实现过程。测试结果表明按照该过程能够实现负载均衡集群。