基于動(dòng)態(tài)指數(shù)平滑預(yù)測(cè)的負(fù)載均衡算法

孟利民,徐　楊

(浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310023)

基于動(dòng)態(tài)指數(shù)平滑預(yù)測(cè)的負(fù)載均衡算法

孟利民,徐楊

(浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310023)

摘要：負(fù)載均衡算法是決定計(jì)算機(jī)集群性能的關(guān)鍵.研究介紹了常見(jiàn)的負(fù)載均衡算法，討論了這些算法的優(yōu)缺點(diǎn)，并在此基礎(chǔ)上提出了一種基于負(fù)載預(yù)測(cè)的均衡算法.該算法通過(guò)動(dòng)態(tài)指數(shù)平滑模型，計(jì)算出適應(yīng)于當(dāng)前服務(wù)器節(jié)點(diǎn)負(fù)載時(shí)間序列的平滑系數(shù)，預(yù)測(cè)該節(jié)點(diǎn)下一時(shí)刻負(fù)載值，分發(fā)器再以負(fù)載預(yù)測(cè)值最小為依據(jù)調(diào)度用戶服務(wù)請(qǐng)求.使用OPNET網(wǎng)絡(luò)仿真軟件進(jìn)行測(cè)試，結(jié)果表明該算法能有效提高負(fù)載均衡效率，具有良好的負(fù)載均衡效果.

關(guān)鍵詞：計(jì)算機(jī)集群；負(fù)載均衡；動(dòng)態(tài)平滑法；OPNET

隨著計(jì)算機(jī)網(wǎng)絡(luò)的快速發(fā)展，人們對(duì)網(wǎng)絡(luò)的訪問(wèn)量日益增加，各類(lèi)服務(wù)器均面臨巨大的訪問(wèn)壓力，一些服務(wù)器因負(fù)載過(guò)大而造成如超時(shí)，甚至宕機(jī)等問(wèn)題，無(wú)法滿足用戶的需求.計(jì)算機(jī)集群的出現(xiàn)，有效地解決了這個(gè)問(wèn)題.計(jì)算機(jī)集群是指多臺(tái)同構(gòu)或者異構(gòu)的計(jì)算機(jī)通過(guò)某種方式協(xié)同完成服務(wù)或者任務(wù)[1].集群通過(guò)分發(fā)器(Dispatcher)將請(qǐng)求分發(fā)到不同的計(jì)算機(jī)上，充分地利用服務(wù)器的資源[2].

負(fù)載均衡算法作為計(jì)算機(jī)集群的重要元素，很大程度上決定著集群的性能.目前對(duì)負(fù)載均衡算法的研究主要分為靜態(tài)均衡算法和動(dòng)態(tài)均衡算法[3].常見(jiàn)的靜態(tài)均衡算法有輪詢算法(Round robin)及加權(quán)的輪詢算法(Weighted round robin)[4]等，輪詢算法把用戶請(qǐng)求依次分配給服務(wù)器節(jié)點(diǎn)，這種算法把所有服務(wù)器節(jié)點(diǎn)都看作是相同的；而加權(quán)輪詢算法在輪詢算法的基礎(chǔ)上，考慮了服務(wù)器節(jié)點(diǎn)本身的性能差異，給每個(gè)節(jié)點(diǎn)賦予表明處理能力的權(quán)重系數(shù)，即加權(quán)的輪詢算法(Weighted round robin).其他靜態(tài)均衡算法還包括隨機(jī)分配算法、目標(biāo)地址或源地址散列算法等，這些算法相對(duì)簡(jiǎn)單，容易實(shí)現(xiàn)，但是沒(méi)有考慮服務(wù)器當(dāng)前的實(shí)際負(fù)載狀態(tài)，均衡效果往往并不理想.因此，目前關(guān)于均衡算法的研究主要集中在動(dòng)態(tài)均衡算法.經(jīng)典的動(dòng)態(tài)均衡算法有最小連接算法(Least connection)和最快響應(yīng)速度算法(Fastest)等[5].最小連接算法將新的用戶請(qǐng)求分配給當(dāng)前連接數(shù)最少的服務(wù)器節(jié)點(diǎn)上，最快響應(yīng)速度算法則是分配給響應(yīng)時(shí)間最短的節(jié)點(diǎn).文獻(xiàn)[6-8]提出了一種動(dòng)態(tài)反饋均衡算法，根據(jù)服務(wù)器節(jié)點(diǎn)的負(fù)載特征調(diào)整各項(xiàng)權(quán)值因子，通過(guò)權(quán)值來(lái)反應(yīng)實(shí)時(shí)負(fù)載.動(dòng)態(tài)均衡算法的均衡效果相較靜態(tài)均衡算法而言，性能提高了30%，但是要求在較小的時(shí)間間隔內(nèi)，甚至是實(shí)時(shí)地向分發(fā)器發(fā)送負(fù)載信息，消耗了大量的服務(wù)器資源.綜合上述靜態(tài)均衡算法和動(dòng)態(tài)均衡算法的優(yōu)缺點(diǎn)，利用主機(jī)負(fù)載隨時(shí)間變化具有很強(qiáng)的關(guān)聯(lián)性這一特性[9]，提出了一種基于負(fù)載預(yù)測(cè)的負(fù)載均衡算法.

1動(dòng)態(tài)指數(shù)平滑預(yù)測(cè)模型

1.1服務(wù)器節(jié)點(diǎn)負(fù)載的計(jì)算

負(fù)載是服務(wù)器當(dāng)前性能的體現(xiàn)，在計(jì)算機(jī)集群中，各個(gè)服務(wù)器節(jié)點(diǎn)往往是異構(gòu)的，為了使分發(fā)器能更均衡地分配任務(wù)，充分利用各節(jié)點(diǎn)的資源，必須準(zhǔn)確地表征服務(wù)器節(jié)點(diǎn)當(dāng)前的性能.影響服務(wù)器負(fù)載的常用指標(biāo)有CPU利用率、內(nèi)存使用率、磁盤(pán)I/O占用率和網(wǎng)絡(luò)帶寬使用率等.設(shè)服務(wù)器節(jié)點(diǎn)的CPU利用率IC，內(nèi)存使用率為IM，磁盤(pán)帶寬占用率為ID，網(wǎng)絡(luò)帶寬使用率為IN，那么其負(fù)載為

L=(φ1IC+φ2IM+φ3ID+φ4IN)×100

(1)

式中φi為各項(xiàng)指標(biāo)的權(quán)值參數(shù)，反應(yīng)不同指標(biāo)的重要程度，且Σφi=1.例如：對(duì)于使用RTP協(xié)議的流媒體服務(wù)器，應(yīng)當(dāng)提高帶寬使用率的權(quán)值；對(duì)于FTP服務(wù)器，應(yīng)當(dāng)提高磁盤(pán)I/O使用率的權(quán)值等.在實(shí)際應(yīng)用中，根據(jù)服務(wù)器節(jié)點(diǎn)的側(cè)重對(duì)φ進(jìn)行調(diào)整，以達(dá)到最優(yōu)的效果.

1.2一次指數(shù)平滑模型

指數(shù)平滑法是一種簡(jiǎn)單易行的短期時(shí)間序列預(yù)測(cè)方法，被廣泛應(yīng)用在商業(yè)、金融和電力等各個(gè)行業(yè)[10].指數(shù)平滑法包括一次指數(shù)平滑、二次指數(shù)平滑等，考慮到高次的指數(shù)平滑算法給負(fù)載分發(fā)器帶來(lái)較大的計(jì)算壓力，影響計(jì)算機(jī)集群的性能，因此選取一次指數(shù)平滑法.

若服務(wù)器節(jié)點(diǎn)負(fù)載的時(shí)間序列為{Lt}，需要在t時(shí)刻得出t+1時(shí)刻的負(fù)載預(yù)測(cè)值，一次指數(shù)平滑預(yù)測(cè)模型為

St=αLt+(1-α)St-1

(2)

(3)

式中：Lt為服務(wù)器節(jié)點(diǎn)在t時(shí)刻的負(fù)載值；St-1為t-1時(shí)刻的平滑值；St為t時(shí)刻的平滑值，也即t+1時(shí)刻的預(yù)測(cè)值；α為平滑系數(shù).

對(duì)式(2)進(jìn)行遞推展開(kāi)，可得到

(4)

式中S0稱(chēng)為平滑初值.由式(4)可見(jiàn)：t時(shí)刻的預(yù)測(cè)值St用到了全部的歷史數(shù)據(jù){Lt}，并且對(duì)于某一個(gè)確定的負(fù)載時(shí)間序列{Lt}，t時(shí)刻的預(yù)測(cè)值是完全由平滑系數(shù)α和平滑初值S0決定的.

在傳統(tǒng)的指數(shù)平滑模型中，α和S0是靜態(tài)的.先不考慮平滑初值S0的影響，僅討論平滑系數(shù)α.毫無(wú)疑問(wèn)α對(duì)預(yù)測(cè)結(jié)果的精度是至關(guān)重要的，如何找到合適的平滑系數(shù)α一直是指數(shù)平滑法的關(guān)鍵.文獻(xiàn)[11]針對(duì)靜態(tài)平滑系數(shù)α提出一些改進(jìn)方法，但是這種通過(guò)試探尋找最優(yōu)的靜態(tài)平滑系數(shù)方法仍然存在較大的盲目性，不能很好的適應(yīng)負(fù)載時(shí)間序列{Lt}.對(duì)于服務(wù)器節(jié)點(diǎn)的負(fù)載預(yù)測(cè)，其時(shí)間序列{Lt}的長(zhǎng)度是無(wú)限增長(zhǎng)的，且其變化趨勢(shì)是不可預(yù)測(cè)的，這就無(wú)法通過(guò)試探法找到最優(yōu)的平滑系數(shù)α.為此，提出了一種動(dòng)態(tài)平滑系數(shù)的預(yù)測(cè)模型.

1.3動(dòng)態(tài)指數(shù)平滑模型

(5)

式中αt是在t時(shí)刻根據(jù)負(fù)載時(shí)間序列{Lt}得到的最優(yōu)動(dòng)態(tài)平滑系數(shù)，隨著{Lt}地增長(zhǎng)，αt也會(huì)不斷地變化以適應(yīng)負(fù)載時(shí)間序列{Lt}，呈現(xiàn)動(dòng)態(tài)特性.

那么如何評(píng)價(jià)αt是負(fù)載時(shí)間序列{Lt}的最優(yōu)平滑系數(shù).文獻(xiàn)[13]給出了一個(gè)以預(yù)測(cè)誤差平方和SSE最小為目標(biāo)的評(píng)價(jià)模型，即

將式(4)代入式(6)，則式(6)可展開(kāi)為

(1-αt)iS0)2

(7)

求解式(7)即可得到最優(yōu)的平滑系數(shù)αt，可采用收斂速度較快的最速下降法以解決類(lèi)似的非線性優(yōu)化模型，需要設(shè)置平滑系數(shù)初始值αt0，并設(shè)置ε>0作為控制條件：

1)對(duì)于給定的平滑系數(shù)αti(i=0,1,2,3,…)，計(jì)算SSE′(αti).若|SSE′(αti)|≤ε，則αti就是近似最優(yōu)解.

2)若|SSE′(αti)|>ε，利用一維搜索中的黃金分割法計(jì)算最優(yōu)步長(zhǎng)λi(i=0,1,2,3,…)，并令αti+1=αti-λi×SSE′(αti)，返回步驟1.

根據(jù)式(7)得到最優(yōu)動(dòng)態(tài)平滑系數(shù)，并基于此建立的式(5)的動(dòng)態(tài)平滑預(yù)測(cè)模型仍然無(wú)法直接應(yīng)用在負(fù)載均衡算法當(dāng)中.首先，負(fù)載時(shí)間序列{Lt}是無(wú)限增長(zhǎng)的，因此隨著式(5，7)的次數(shù)不斷增高，使算法復(fù)雜度也不斷增高，負(fù)載分發(fā)器不僅要保存大量的時(shí)間序列{Lt}，還要花費(fèi)大量時(shí)間用于求解最優(yōu)平滑系數(shù)，反而使計(jì)算機(jī)集群失去了原有的目的.其次，在動(dòng)態(tài)平滑系數(shù)中，α不再像傳統(tǒng)的靜態(tài)平滑系數(shù)一樣，存在0<α<1的約束.在快速增長(zhǎng)或者快速下降的負(fù)載時(shí)間序列{Lt}中，是有可能使α>1；而在呈現(xiàn)凸型或者凹型的{Lt}中，平滑系數(shù)可能存在α<0.在這些情況下，指數(shù)平滑法就可能不再遵循“重近輕遠(yuǎn)”的思想，根據(jù)式(5)就有必要考慮平滑初值S0.但同時(shí)從式(1)對(duì)負(fù)載的定義，顯然有0

(8)

式中t0為保留的負(fù)載時(shí)間序列的{Lt}長(zhǎng)度.同時(shí)，求解最優(yōu)平滑系數(shù)αt的評(píng)價(jià)模型也修改為

(9)

在此改進(jìn)模型下，由于在時(shí)刻t-t0之前的負(fù)載時(shí)間序列被丟棄，因此隨著負(fù)載時(shí)間序列{Lt}的增長(zhǎng)，式(8，9)的次數(shù)也不會(huì)增長(zhǎng)，維持在關(guān)于t0的常數(shù)次方，降低了算法的復(fù)雜度.另一方面，當(dāng)負(fù)載時(shí)間序列{Lt}足夠長(zhǎng)時(shí)，平滑初值S0的影響也會(huì)逐漸減小，直至被丟棄.因此平滑初值可選用靜態(tài)值，在這里定義為

(10)

接下來(lái)改進(jìn)的動(dòng)態(tài)平滑預(yù)測(cè)模型的關(guān)鍵就是選取合適的保留序列長(zhǎng)度t0，使算法在預(yù)測(cè)精度與復(fù)雜度之間有一個(gè)合適的權(quán)衡.

圖1顯示了改進(jìn)的動(dòng)態(tài)指數(shù)平滑預(yù)測(cè)模型對(duì)負(fù)載的預(yù)測(cè)結(jié)果.實(shí)際負(fù)載值為某臺(tái)服務(wù)器每隔1min采集一次得到的真實(shí)結(jié)果.分別取t0=5和t0=10，其中，當(dāng)t0=5時(shí)，預(yù)測(cè)從第6個(gè)負(fù)載值開(kāi)始；同理，t0=10時(shí)，預(yù)測(cè)從第11個(gè)負(fù)載值開(kāi)始.對(duì)圖1的分析看出：t0=5和t0=10時(shí)其預(yù)測(cè)結(jié)果與真實(shí)負(fù)載曲線都較為吻合.且當(dāng)t0=10時(shí)，其預(yù)測(cè)的精度提升并不明顯，但是其算法復(fù)雜度要比t0=5時(shí)要高出許多.因此對(duì)動(dòng)態(tài)負(fù)載預(yù)測(cè)模型而言，取負(fù)載時(shí)間序列保留長(zhǎng)度t0=5較為合適.

圖1　動(dòng)態(tài)指數(shù)平滑法對(duì)負(fù)載的預(yù)測(cè)結(jié)果Fig.1　The predictions of load through dynamic exponential smoothing method

圖2顯示了靜態(tài)平滑系數(shù)的預(yù)測(cè)模型對(duì)負(fù)載的預(yù)測(cè)結(jié)果，由于負(fù)載時(shí)間序列變化多樣，單一的平滑系數(shù)較難適應(yīng)整個(gè)時(shí)間序列，因此預(yù)測(cè)精度并不高.從圖1，2的對(duì)比中不難看出：動(dòng)態(tài)指數(shù)平滑法的預(yù)測(cè)結(jié)果要優(yōu)于靜態(tài)指數(shù)平滑法.

圖2　靜態(tài)指數(shù)平滑法對(duì)負(fù)載的預(yù)測(cè)結(jié)果Fig.2　The predictions of load through static exponential smoothing method

2負(fù)載均衡算法

2.1負(fù)載預(yù)測(cè)函數(shù)描述

設(shè)有服務(wù)器節(jié)點(diǎn){Svi}，n為計(jì)算機(jī)集群的服務(wù)器個(gè)數(shù).當(dāng)某個(gè)服務(wù)器啟動(dòng)時(shí)，每隔一分鐘采集一次自己的負(fù)載信息，生成負(fù)載預(yù)測(cè)的初始時(shí)間序列{Lt0=5}Svi，并將此序列發(fā)送到分發(fā)器.分發(fā)器保存此初始時(shí)間序列{Lt0=5}Svi，由式(10)得到Svi的平滑初值SSvi.設(shè)預(yù)測(cè)值獲取函數(shù)為SSvi=ExpPrediction(LSvi)，函數(shù)ExpPrediction(LSvi)的工作過(guò)程如下：

1) 分發(fā)器找到服務(wù)器節(jié)點(diǎn)Svi的負(fù)載時(shí)間序列{Lt0=5}Svi，丟棄此時(shí)間序列中最早的負(fù)載值Learly，并將最新的負(fù)載值LSvi加入到時(shí)間序列{Lt0=5}Svi的末尾.

2) 根據(jù)前一時(shí)刻的平滑值SSvi、新的負(fù)載時(shí)間序列{Lt0=5}Svi和式(9)的動(dòng)態(tài)平滑系數(shù)評(píng)價(jià)模型，利用最速下降法得到適應(yīng)此負(fù)載序列的最優(yōu)平滑系數(shù)αt.

3) 將SSvi、負(fù)載時(shí)間序列{Lt0=5}Svi和動(dòng)態(tài)平滑系數(shù)αt代入到式(8)的動(dòng)態(tài)平滑預(yù)測(cè)模型，得到新的平滑值SSvi，替代掉原來(lái)的平滑值SSvi，而SSvi將作為服務(wù)器節(jié)點(diǎn)Svi下一時(shí)刻的預(yù)測(cè)值.

2.2負(fù)載均衡算法描述

分發(fā)器收到用戶服務(wù)的請(qǐng)求后，根據(jù)負(fù)載均衡算法將請(qǐng)求發(fā)送到負(fù)載最優(yōu)的服務(wù)器節(jié)點(diǎn)Svi處理，具體算法如下：

1) 分發(fā)器收到用戶的請(qǐng)求，在分發(fā)器已有的服務(wù)器節(jié)點(diǎn)列表中{Svn}選擇平滑值SSvi最小的服務(wù)器節(jié)點(diǎn)Svi.SSvi最小代表下一時(shí)刻節(jié)點(diǎn)Svi的負(fù)載最小.

2) 分發(fā)器將請(qǐng)求發(fā)送到服務(wù)器節(jié)點(diǎn)Svi處理.

3) 服務(wù)器節(jié)點(diǎn)Svi處理完請(qǐng)求后，在響應(yīng)中攜帶自己當(dāng)前時(shí)刻的負(fù)載數(shù)據(jù)，并將響應(yīng)發(fā)回到分發(fā)器.

4) 分發(fā)器收到服務(wù)器節(jié)點(diǎn)Svi發(fā)回的響應(yīng)，拿到Svi新時(shí)刻的負(fù)載LSvi，調(diào)用負(fù)載預(yù)測(cè)函數(shù)ExpPrediction(LSvi)得到下一時(shí)刻的負(fù)載預(yù)測(cè)值Svi，作為下一次分發(fā)器調(diào)度的依據(jù).

3網(wǎng)絡(luò)仿真結(jié)果與分析

為了檢驗(yàn)算法的性能，用OPNET14.5進(jìn)行了網(wǎng)絡(luò)仿真.OPNET是一款應(yīng)用與網(wǎng)絡(luò)仿真軟件，它支持大量的網(wǎng)絡(luò)通信協(xié)議和模擬系統(tǒng)分發(fā)，通過(guò)對(duì)離散事件的仿真來(lái)分析系統(tǒng)的行為和性能[14].OPNET提供了三層建模機(jī)制，分別是進(jìn)程層、節(jié)點(diǎn)層和網(wǎng)絡(luò)層.負(fù)載均衡算法是在分發(fā)器的進(jìn)程層當(dāng)中.

計(jì)算機(jī)集群中，服務(wù)器組由3臺(tái)Web服務(wù)器組成，其性能比為4︰7︰10，每臺(tái)服務(wù)器通過(guò)100 M線路連接分發(fā)器；客戶端組由6個(gè)子網(wǎng)組成客戶端，其中5個(gè)子網(wǎng)組是內(nèi)部子網(wǎng)，剩余一個(gè)是外部子網(wǎng)，每個(gè)子網(wǎng)都包含45個(gè)用戶終端.在搭建環(huán)境完成后，選擇仿真設(shè)置Application_Config中的HTTP應(yīng)用，模擬客戶端向服務(wù)器發(fā)送HTTP請(qǐng)求，仿真時(shí)間是5 h.為了驗(yàn)證筆者算法的性能，將筆者算法與動(dòng)態(tài)均衡算法中的最小連接算法進(jìn)行了對(duì)比，部分仿真結(jié)果如圖3，4所示.

圖3　最小連接算法下的CPU使用率Fig.3　CPUutilization under least connection algorithm

圖4　筆者負(fù)載均衡算法下的CPU使用率Fig.4　CPUutilization under this paper algorithm

以CPU使用率為代表，圖3顯示了最小連接算法下，各服務(wù)器的CPU使用率，圖4顯示了筆者算法的CPU使用率.不難發(fā)現(xiàn)圖3的CPU使用率穩(wěn)定在10%，17%，25%，而圖4的CPU使用率均穩(wěn)定在20%.結(jié)果表明：最小連接算法下，分發(fā)器并沒(méi)有按照服務(wù)器節(jié)點(diǎn)的負(fù)載能力分配任務(wù)，使得一些節(jié)點(diǎn)的CPU使用率過(guò)高，沒(méi)有很好地實(shí)現(xiàn)負(fù)載均衡.而基于筆者均衡算法的服務(wù)器節(jié)點(diǎn)資源都得到了較為均衡地利用，比較好地實(shí)現(xiàn)了負(fù)載均衡.

綜上所述，筆者的負(fù)載均衡算法與最少連接算法相比，均衡效果有了較為明顯的改善.

4結(jié)論

改進(jìn)的負(fù)載預(yù)測(cè)均衡算法通過(guò)建立動(dòng)態(tài)平滑指數(shù)的預(yù)測(cè)模型，以較短的負(fù)載時(shí)間序列提高了負(fù)載預(yù)測(cè)精度，使分發(fā)器能夠更準(zhǔn)確地調(diào)度用戶服務(wù)的請(qǐng)求，提高了服務(wù)器節(jié)點(diǎn)的資源使用率.該算法在OPNET網(wǎng)絡(luò)仿真軟件下與最少連接算法進(jìn)行了比較，結(jié)果顯示筆者算法具有更好的負(fù)載均衡效果.

參考文獻(xiàn)：

[1]WU S X, BANZHAF W. The use of computational intelligence in intrusion detection systems: a review[J]. Applied soft computing,2010,10(1):1-35.

[2]張玉芳,魏欽磊,趙膺.基于負(fù)載權(quán)值的負(fù)載均衡算法[J].計(jì)算機(jī)應(yīng)用研究,2012,29(12):4711-4713.

[3]BRYHNI H, KLOVNING E, KURE?. A comparison of load balancing techniques for scalable web servers[J]. Network of IEEE,2000,14(4):58-64.

[4]魏欽磊.基于集群的動(dòng)態(tài)反饋負(fù)載均衡算法的研究[D].重慶：重慶大學(xué),2013.

[5]張前進(jìn),齊美彬,李莉.基于應(yīng)用層負(fù)載均衡策略的分析與研究[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(32):138-142.

[6]孔令凡,呂麗民.基于B/S的網(wǎng)管負(fù)載平衡問(wèn)題研究[J].浙江工業(yè)大學(xué)學(xué)報(bào),2002,30(2):168-171.

[7]田紹亮,左明,吳紹偉.一種改進(jìn)的基于動(dòng)態(tài)反饋的負(fù)載均衡算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2007,28(3):572-573.

[8]孟利民,潘進(jìn)學(xué).視頻監(jiān)控系統(tǒng)中負(fù)載均衡算法的設(shè)計(jì)[J].浙江工業(yè)大學(xué)學(xué)報(bào),2014,42(6):607-611.

[9]DINDA P A. The statistical properties of host load[J]. Scientific programming,1999,7(3/4):211-229.

[10]周炳飛.動(dòng)態(tài)指數(shù)平滑模型預(yù)測(cè)及應(yīng)用[J].哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào),2013(4):25-27.

[11]唐炎森.指數(shù)平滑預(yù)測(cè)公式與平滑系數(shù)[J].統(tǒng)計(jì)與信息論壇,1998(1):39-44.

[12]黎鎖平,劉坤會(huì).動(dòng)態(tài)指數(shù)平滑優(yōu)化模型及其應(yīng)用[J].系統(tǒng)工程學(xué)報(bào),2003,18(2):163-167.

[13]吳德會(huì).動(dòng)態(tài)指數(shù)平滑預(yù)測(cè)方法及其應(yīng)用[J].系統(tǒng)管理學(xué)報(bào),2008,17(2):151-155.

[14]張銘.OPNET Modeler與網(wǎng)絡(luò)仿真[M].北京：人民郵電出版社,2007.

(責(zé)任編輯：陳石平)

Load balancing algorithm based on dynamic exponential smoothing prediction

MENG Limin, XU Yang

(College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China)

Abstract:The load balancing algorithm is the key to determine the performance of a server cluster. In this paper, we introduce some common load balancing algorithms and discuss their advantages and disadvantages. Then, we propose an improved load prediction based load balancing algorithm. It applies dynamic exponential smoothing model to calculate the dynamic smooth parameters which are adapted to the current server node load time sequence and predict the next load value. Dispatcher can use the minimum load predictive value to schedule customer requests. We use the OPNET simulation software to test the algorithm and the result shows that the proposed algorithm has a better load balancing effect.

Keywords:server cluster; load balancing; dynamic exponential smoothing; OPNET

收稿日期：2016-01-21

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61372087)

作者簡(jiǎn)介：孟利民(1963—)，女，浙江金華人，教授，研究方向?yàn)闊o(wú)線通信與網(wǎng)絡(luò)多媒體數(shù)字通信，E-mail:mlm@zjut.edu.cn．

中圖分類(lèi)號(hào)：TP393

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1006-4303(2016)04-0379-04