基于Nginx的動(dòng)態(tài)權(quán)重負(fù)載均衡技術(shù)研究

摘 要：負(fù)載均衡策略在保障Web服務(wù)器集群穩(wěn)定運(yùn)行和性能方面是不可或缺的。在眾多的負(fù)載均衡技術(shù)中，Nginx得到了廣泛應(yīng)用，常被大規(guī)模應(yīng)用于反向代理服務(wù)前端。通過(guò)對(duì)Nginx負(fù)載均衡算法的學(xué)習(xí)研究，設(shè)計(jì)實(shí)現(xiàn)了一種改進(jìn)的動(dòng)態(tài)權(quán)重負(fù)載均衡算法。該算法利用Redis緩存機(jī)制，實(shí)時(shí)采集并存儲(chǔ)后端Web服務(wù)器的CPU利用率、內(nèi)存利用率、網(wǎng)絡(luò)帶寬和磁盤I/O等性能指標(biāo)信息。然后，通過(guò)熵值法計(jì)算各項(xiàng)性能指標(biāo)的系數(shù)，并動(dòng)態(tài)地修改后端Web服務(wù)器的權(quán)重。實(shí)驗(yàn)結(jié)果顯示，與加權(quán)輪詢算法和最小連接數(shù)算法相比，新算法在高并發(fā)情況下具有更好的響應(yīng)時(shí)間和吞吐量。

關(guān)鍵詞：負(fù)載均衡；動(dòng)態(tài)權(quán)重；服務(wù)器集群；熵值法；Nginx

中圖分類號(hào)：TP368.5 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2024）20-0067-05

Research on Dynamic Weight Load Balancing Technology Based on Nginx

ZHENG Songyi， CHEN Guoliang， JIANG Zhengliang， ZHANG Yuxiang

（Network and Educational Technology Center， Jinan University， Guangzhou 510632， China）

Abstract： The load balancing strategies are indispensable in ensuring the stable operation and performance of Web server clusters. Among numerous load balancing technologies， Nginx has been widely used and is often applied on a large scale in the front-end of reverse proxy services. Through the study of Nginx load balancing algorithm， an improved dynamic weight load balancing algorithm is designed and implemented. The algorithm uses the Redis cache mechanism to collect and store the CPU utilization， memory utilization， network bandwidth， disk I/O and other performance index information of the back-end Web server in real time. Then， the coefficient of each performance index is calculated by the entropy method， and the weight of the back-end Web server is dynamically modified. The experimental results show that the new algorithm has better response time and throughput in the case of high concurrency compared with the Weighted Round Robin algorithm and the Least Connections algorithm.

Keywords： load balancing; dynamic weight; server cluster; entropy method; Nginx

0 引 言

隨著Web應(yīng)用和服務(wù)的訪問(wèn)量激增，Web服務(wù)器集群承擔(dān)了越來(lái)越多的請(qǐng)求壓力。為了保障和提高Web服務(wù)器集群的整體服務(wù)效能，負(fù)載均衡技術(shù)在Web服務(wù)器集群管理中得到了廣泛應(yīng)用。

針對(duì)負(fù)載均衡的解決方案有硬件及軟件負(fù)載均衡。硬件負(fù)載均衡能提供更好的高可用性、性能和可擴(kuò)展性，業(yè)界主流的硬件負(fù)載均衡包括F5、A10等。但硬件負(fù)載均衡成本過(guò)高，對(duì)于大部分用戶單位來(lái)說(shuō)，使用Nginx這種免費(fèi)且功能強(qiáng)大的開(kāi)源軟件負(fù)載均衡工具可能是更為合適的選擇。Nginx能夠有效地降低系統(tǒng)資源的使用率，同時(shí)保持較高的并發(fā)數(shù)，并且容易進(jìn)行擴(kuò)充，常被用來(lái)作為Web服務(wù)器端的負(fù)載均衡器[1]，解決高并發(fā)場(chǎng)景下后端服務(wù)器對(duì)于請(qǐng)求的處理。

目前常見(jiàn)的負(fù)載均衡算法有輪詢、加權(quán)輪詢、最小連接、加權(quán)最小連接等[2-3]。由于負(fù)載均衡技術(shù)的廣泛應(yīng)用，國(guó)內(nèi)外諸多研究學(xué)者對(duì)其進(jìn)行了深入研究與優(yōu)化。文獻(xiàn)[4]提出了通過(guò)依據(jù)負(fù)載權(quán)重來(lái)選擇節(jié)點(diǎn)集的分布負(fù)載方法。文獻(xiàn)[5]創(chuàng)新性提出了哈希負(fù)載平衡算法，使Web集群的負(fù)載平衡效果得到有效的提高。文獻(xiàn)[6]提出了依據(jù)集群系統(tǒng)的值來(lái)選擇相應(yīng)的服務(wù)器的算法，該算法能夠依據(jù)不同的用戶請(qǐng)求類型來(lái)確定不同的服務(wù)器性能評(píng)估標(biāo)準(zhǔn)。文獻(xiàn)[7]將深度學(xué)習(xí)的長(zhǎng)短期記憶網(wǎng)絡(luò)算法引入了負(fù)載均衡技術(shù)中，用于權(quán)重的自適應(yīng)改變。

通過(guò)對(duì)Nginx負(fù)載均衡技術(shù)的學(xué)習(xí)研究，在加權(quán)輪詢算法的基礎(chǔ)上，設(shè)計(jì)實(shí)現(xiàn)了一種改進(jìn)的動(dòng)態(tài)權(quán)重負(fù)載均衡算法。該算法主要包含3個(gè)方面：

1）利用Redis緩存機(jī)制進(jìn)行數(shù)據(jù)交換，使用CPU利用率、內(nèi)存使用率、磁盤I/O利用率、網(wǎng)絡(luò)帶寬等更全面的負(fù)載指標(biāo)[8]作為計(jì)算后端服務(wù)器動(dòng)態(tài)權(quán)重的依據(jù)。

2）考慮到了后端服務(wù)器間硬件性能存在差異，引入了權(quán)重系數(shù)以區(qū)分不同硬件對(duì)處理請(qǐng)求的性能影響程度，并采用熵值法進(jìn)行權(quán)重系數(shù)計(jì)算。

3）對(duì)后端服務(wù)器集群是否均衡狀態(tài)進(jìn)行實(shí)時(shí)判斷以減少計(jì)算，實(shí)現(xiàn)動(dòng)態(tài)調(diào)整后端服務(wù)器的負(fù)載情況，有效達(dá)到負(fù)載均衡的目的。此外、如果所有的后端服務(wù)器都超過(guò)負(fù)載閾值，則向管理員發(fā)出告警，由管理員介入評(píng)估處理。

1 改進(jìn)的動(dòng)態(tài)權(quán)重算法

改進(jìn)的動(dòng)態(tài)權(quán)重算法系統(tǒng)模型包括三個(gè)模塊，即負(fù)載信息采集模塊、負(fù)載信息處理模塊和動(dòng)態(tài)權(quán)重調(diào)整模塊，具體情況如圖1所示。

負(fù)載信息采集模塊運(yùn)行在各臺(tái)后端服務(wù)器中，周期性的采集后端服務(wù)器的各項(xiàng)負(fù)載信息并寫入Redis中。負(fù)載信息的采集周期不能隨意設(shè)置，采集周期設(shè)置過(guò)小會(huì)增加后端服務(wù)器資源消耗，引起服務(wù)器權(quán)重更新的震蕩；而如果采集周期設(shè)置過(guò)大，則可能導(dǎo)致采集到的負(fù)載數(shù)據(jù)不及時(shí)或不準(zhǔn)確，對(duì)負(fù)載平衡策略產(chǎn)生負(fù)面影響，從而降低系統(tǒng)性能。經(jīng)過(guò)實(shí)驗(yàn)測(cè)試，選取了10秒作為本算法的采集周期。

負(fù)載信息處理模塊和動(dòng)態(tài)權(quán)重調(diào)整模塊部署在動(dòng)態(tài)負(fù)載均衡服務(wù)器上。

負(fù)載信息處理模塊是從Redis讀取最新的后端服務(wù)器各項(xiàng)負(fù)載信息數(shù)據(jù)并根據(jù)算法對(duì)每臺(tái)服務(wù)器的權(quán)重進(jìn)行計(jì)算，同時(shí)將權(quán)重計(jì)算結(jié)果寫入Redis中供其他模塊調(diào)用。

動(dòng)態(tài)權(quán)重調(diào)整模塊從Redis獲取每臺(tái)服務(wù)器的權(quán)重信息，對(duì)負(fù)載不均衡的服務(wù)器進(jìn)行權(quán)重的修改，最后根據(jù)算法合理地選擇某一臺(tái)后端服務(wù)器處理請(qǐng)求。

各個(gè)模塊之間的數(shù)據(jù)交換通過(guò)Redis進(jìn)行，有利于提高系統(tǒng)處理請(qǐng)求的響應(yīng)速度，總體算法流程如圖2所示。

1.1 服務(wù)器初始化權(quán)重計(jì)算

初始化權(quán)重反映的是后端服務(wù)器節(jié)點(diǎn)在開(kāi)始時(shí)刻的性能情況。設(shè)集群后端服務(wù)器的CPU、內(nèi)存、磁盤I/O和網(wǎng)絡(luò)帶寬的剩余負(fù)載性能分別使用PCPU、Pmem、Pio、Pnet表示，集群內(nèi)所有后端服務(wù)器的CPU、內(nèi)存、磁盤I/O和網(wǎng)絡(luò)帶寬的剩余負(fù)載性能之和分別使用TCPU、Tmem、Tio、Tnet表示，根據(jù)式（1～4）可以計(jì)算集群所有服務(wù)器節(jié)點(diǎn)的剩余負(fù)載性能總和：

（1）

（2）

（3）

（4）

由于不同硬件對(duì)服務(wù)器性能產(chǎn)生的影響有所差異，因此需要對(duì)各個(gè)性能指標(biāo)進(jìn)行加權(quán)處理[9]。節(jié)點(diǎn)的初始化權(quán)重可根據(jù)式（5）進(jìn)行計(jì)算[9-10]：

（5）

其中：為服務(wù)器節(jié)點(diǎn)i的初始化權(quán)重；A為調(diào)節(jié)成為一個(gè)整數(shù)的調(diào)節(jié)常量，從而減小因舍棄小數(shù)位導(dǎo)致的誤差，本文A取值為1 000；、、、為服務(wù)器節(jié)點(diǎn)CPU、內(nèi)存、磁盤I/O、網(wǎng)絡(luò)帶寬的權(quán)重系數(shù)，并且滿足式（6）的約束：

（6）

對(duì)于、、、權(quán)重系數(shù)的計(jì)算，傳統(tǒng)方法大多采用的是層次分析法，偏主觀性，難以精確衡量各個(gè)硬件對(duì)服務(wù)器性能的影響，本算法中使用熵值法進(jìn)行計(jì)算。

1.2 熵值法計(jì)算權(quán)重系數(shù)

熵值法是計(jì)算指標(biāo)權(quán)重的經(jīng)典算法之一，用來(lái)判斷某個(gè)指標(biāo)的離散程度。在本文算法中采用熵值來(lái)度量各項(xiàng)指標(biāo)的離散程度，指標(biāo)的熵值越小，對(duì)服務(wù)器性能的影響越大，即權(quán)重系統(tǒng)越大。假設(shè)有n臺(tái)服務(wù)器節(jié)點(diǎn)，每臺(tái)服務(wù)器節(jié)點(diǎn)有k個(gè)負(fù)載性能指標(biāo)（CPU、內(nèi)存、磁盤I/O、網(wǎng)絡(luò)帶寬等），令xij為第i臺(tái)服務(wù)器的第j個(gè)指標(biāo)Xi = {xi1，…，xik}，Yi為Xi標(biāo)準(zhǔn)化后的值Yi = {yi1，…，yik}，權(quán)重系數(shù)主要計(jì)算步驟如下[10-11]：

1）對(duì)原始數(shù)據(jù)組進(jìn)行標(biāo)準(zhǔn)化處理，消除各指標(biāo)的量綱差異，把各指標(biāo)數(shù)值壓縮在[0—1]區(qū)間，數(shù)據(jù)標(biāo)準(zhǔn)化方法如下：

（7）

其中，yij為第i臺(tái)服務(wù)器的第j個(gè)指標(biāo)的標(biāo)準(zhǔn)化值。

2）計(jì)算第j項(xiàng)指標(biāo)的熵值。設(shè)pij為第i臺(tái)服務(wù)器第j項(xiàng)指標(biāo)占集群服務(wù)器第j項(xiàng)指標(biāo)的比重，Ej為第j項(xiàng)指標(biāo)的熵值，則：

（8）

（9）

3）計(jì)算各項(xiàng)指標(biāo)權(quán)重系數(shù)wj：

（10）

本算法中首先獲取后端服務(wù)器的各項(xiàng)指標(biāo)的實(shí)時(shí)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，然后根據(jù)式（7）得到標(biāo)準(zhǔn)化值，接著循環(huán)遍歷各后端服務(wù)器，使用式（8）與式（9）計(jì)算得出各個(gè)指標(biāo)熵值，最后根據(jù)式（10）計(jì)算各項(xiàng)指標(biāo)的權(quán)系數(shù)、、、。

1.3 負(fù)載均衡值設(shè)計(jì)

隨著請(qǐng)求訪問(wèn)量的變化，集群各后端服務(wù)器處理請(qǐng)求所消耗資源的不同，各后端服務(wù)器的性能負(fù)載情況也隨之發(fā)生變化，從而需要?jiǎng)討B(tài)的更新服務(wù)器的權(quán)重。但是頻繁的更新各后端服務(wù)器權(quán)重，會(huì)導(dǎo)致負(fù)載均衡服務(wù)器不斷地重新計(jì)算和調(diào)整請(qǐng)求分配，增加了負(fù)載均服務(wù)器的開(kāi)銷[9]。

因此，算法需要根據(jù)實(shí)際情況評(píng)估服務(wù)器集群負(fù)載均衡狀態(tài)以決定是否進(jìn)行權(quán)重調(diào)整，兼顧負(fù)載均衡效果和系統(tǒng)性能。本文使用式（11）來(lái)計(jì)算節(jié)點(diǎn)i的負(fù)載性能：

（11）

其中，Ui為節(jié)點(diǎn)的資源的負(fù)載性能，Ci、Mi、Ii、Ni為節(jié)點(diǎn)i當(dāng)前的CPU、內(nèi)存、磁盤I/O和網(wǎng)絡(luò)帶寬實(shí)時(shí)負(fù)載性能。Ui很好地展示了各個(gè)服務(wù)器的實(shí)時(shí)負(fù)載情況。通過(guò)分析，本文使用服務(wù)器資源使用率βi來(lái)反映當(dāng)前服務(wù)器集群中各臺(tái)服務(wù)器的使用情況，如式（12）所示：

（12）

基于服務(wù)器資源使用率βi，使用式（13）來(lái)計(jì)算評(píng)估當(dāng)前服務(wù)器集群的負(fù)載均衡狀態(tài)[12]：

（13）

其中，βavg為服務(wù)器集群的資源利用率的平均值。σ為表征負(fù)載均衡值，反映了服務(wù)器集群的負(fù)載均衡情況，服務(wù)器集群的負(fù)載均衡程度越好，則σ值越??；反之，服務(wù)器集群的負(fù)載均衡程度越差，σ值越大。

1.4 動(dòng)態(tài)權(quán)重的調(diào)整

本文算法中通過(guò)βi來(lái)調(diào)整服務(wù)器節(jié)點(diǎn)的權(quán)值[13]。一般來(lái)說(shuō)βi的值為1，但是實(shí)際應(yīng)用中，要關(guān)注βi和1的差值，其絕對(duì)值增大就代表負(fù)載分配的不均衡。本文根據(jù)βi列出公式對(duì)最開(kāi)始的權(quán)重修改，求得了使用率均衡下的DWi，即新的權(quán)值：

（14）

式（14）中，B為一個(gè)常數(shù)，用于調(diào)節(jié)權(quán)重步長(zhǎng)，本文中取值為5。當(dāng)βi＜1時(shí)，服務(wù)器負(fù)載較輕，當(dāng)請(qǐng)求到來(lái)時(shí)，可以在目前的權(quán)重上加上B·βi；當(dāng)βi＞1時(shí)，服務(wù)器負(fù)載較重，當(dāng)請(qǐng)求到來(lái)時(shí)，可以在目前的權(quán)重上減去B·βi。

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

本文實(shí)驗(yàn)環(huán)境包含1臺(tái)Redis服務(wù)器、1臺(tái)測(cè)試客戶端（安裝siege用于測(cè)試后端服務(wù)器性能）、1臺(tái)Nginx負(fù)載均衡服務(wù)器及3臺(tái)后端服務(wù)器[14]。為了保證后端服務(wù)器具備差異化的響應(yīng)處理能力，微調(diào)了3臺(tái)后端服務(wù)器的配置使其具有不同負(fù)載性能。實(shí)驗(yàn)環(huán)境配置信息如表1所示。

2.2 結(jié)果分析

實(shí)驗(yàn)測(cè)試了以下3項(xiàng)：

1）測(cè)試服務(wù)器集群與單臺(tái)服務(wù)器在不同請(qǐng)求并發(fā)數(shù)下的響應(yīng)時(shí)間。

2）測(cè)試集群內(nèi)改進(jìn)的動(dòng)態(tài)權(quán)重算法（簡(jiǎn)稱動(dòng)態(tài)權(quán)重算法）、輪詢算法（Round Robin Algorithm， RR）、最小連接數(shù)算法（Least Connections Algorithm， Least-conn）在不同的請(qǐng)求并發(fā)數(shù)下的響應(yīng)時(shí)間。

3）測(cè)試集群內(nèi)上述3種算法在不同的請(qǐng)求并發(fā)數(shù)下的吞吐量。

記錄10次實(shí)驗(yàn)數(shù)據(jù)并取均值。得到了在不同請(qǐng)求并發(fā)數(shù)下，服務(wù)器集群與單臺(tái)服務(wù)器的響應(yīng)時(shí)間、集群內(nèi)各算法的響應(yīng)時(shí)間，以及集群內(nèi)各算法的吞吐量的對(duì)比情況，具體結(jié)果如圖3至圖5所示。

如圖3所示，當(dāng)請(qǐng)求并發(fā)數(shù)小于200時(shí)，無(wú)論是單臺(tái)服務(wù)器還是服務(wù)器集群，其響應(yīng)時(shí)間的差異并不明顯；然而，一旦請(qǐng)求并發(fā)數(shù)超過(guò)200，單臺(tái)服務(wù)器的響應(yīng)時(shí)間會(huì)迅速增長(zhǎng)，而利用負(fù)載均衡技術(shù)的服務(wù)器集群的響應(yīng)時(shí)間則保持小幅度的平穩(wěn)增長(zhǎng)。

如圖4所示，平均響應(yīng)時(shí)間總體而言隨著請(qǐng)求并發(fā)數(shù)的增加而升高的，但動(dòng)態(tài)權(quán)重算法的平均響應(yīng)時(shí)間低于其他兩種算法。動(dòng)態(tài)權(quán)重算法的總的平均響應(yīng)時(shí)間分別比RR算法、Least-conn算法低了10.09%、6.3%。

由圖5可以得出，三種算法的吞吐量總體隨著并發(fā)數(shù)的增加而增加，當(dāng)并發(fā)量高于1 200時(shí)三種算法的吞吐量隨著并發(fā)數(shù)的增加有一定程度的減少，但是動(dòng)態(tài)權(quán)重算法的吞吐量減少的幅度最為平緩，而且高于其他兩種算法。

綜上所述，本文提出的動(dòng)態(tài)權(quán)重算法，在平均響應(yīng)時(shí)間和吞吐量?jī)蓚€(gè)方面都優(yōu)于其他兩種算法，在一定程度上提升了服務(wù)器的性能。

此外，在處理服務(wù)節(jié)點(diǎn)的負(fù)載信息時(shí)，如果所有服務(wù)節(jié)點(diǎn)的負(fù)載超出設(shè)定的閾值，會(huì)通過(guò)微信向服務(wù)器集群管理員發(fā)送告警通知，請(qǐng)求評(píng)估處理，如圖6所示。

3 結(jié) 論

本文通過(guò)學(xué)習(xí)研究Nginx的負(fù)載均衡算法，設(shè)計(jì)實(shí)現(xiàn)了一種改進(jìn)的動(dòng)態(tài)權(quán)重算法。動(dòng)態(tài)權(quán)重算法使用Redis進(jìn)行緩存多種性能指標(biāo)，然后使用熵值法進(jìn)行性能指標(biāo)的權(quán)重系數(shù)，并根據(jù)服務(wù)器集群的負(fù)載均衡狀態(tài)動(dòng)態(tài)修改集群內(nèi)各后端服務(wù)器的權(quán)重。實(shí)驗(yàn)結(jié)果表明，動(dòng)態(tài)權(quán)重算法在高并發(fā)請(qǐng)求下，能合理有效地將請(qǐng)求分發(fā)到合適的后端服務(wù)器節(jié)點(diǎn)進(jìn)行處理，提高了響應(yīng)速度，提升了服務(wù)器集群的整體性能。

參考文獻(xiàn)：

[1] DYMORA P，MAZUREK M，SUDEK B. Comparative Analysis of Selected Open-Source Solutions for Traffic Balancing in Server Infrastructures Providing WWW Service [J].ENERGIES，2021，14（22）：1-23.

[2] MA C，CHI Y H. Evaluation Test and Improvement of Load Balancing Algorithms of Nginx [J].IEEE Access，2022，10：14311-14324.

[3] 梁劍.Nginx負(fù)載均衡技術(shù)的研究 [J].太原師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2019 （2）：78-80

[4] 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.

[5] 鄧珍榮，唐興興，黃文明，等.一種Web服務(wù)器集群負(fù)載均衡調(diào)度算法 [J].計(jì)算機(jī)應(yīng)用與軟件，2013，30（10）：53-56+101.

[6] 王永輝.基于Nginx高性能Web服務(wù)器性能優(yōu)化與負(fù)載均衡的改進(jìn)與實(shí)現(xiàn) [D].成都：電子科技大學(xué)，2015.

[7] LINP， YANG J， SHI X. Improved Load Balancing Algorithm Based on Long Short-Term Memory Networks[C]//Proceedings of the 7th International Conference on Computer Science and Application Engineering. 2023： 1-6.

[8]劉佳祎，崔建明，智春.基于Nginx服務(wù)器的動(dòng)態(tài)負(fù)載均衡策略[J].桂林理工大學(xué)學(xué)報(bào)，2020，40（2）：403-408.

[9]譚暢，譚歆，胡磊，等.云中心基于Nginx的動(dòng)態(tài)權(quán)重負(fù)載均衡算法[J].重慶郵電大學(xué)學(xué)報(bào)：自然科學(xué)版，2021，33（6）：991-998.

[10] 王釗，劉釗遠(yuǎn).一種改進(jìn)的流媒體集群動(dòng)態(tài)負(fù)載均衡調(diào)度算法 [J].計(jì)算機(jī)與數(shù)字工程，2018，46（2）：241-246.

[11] 劉甜甜，谷曉燕，陳夢(mèng)彤.基于熵值法改進(jìn)Stacking的文本情感分析 [J].科學(xué)技術(shù)與工程，2023，23（23）：10008-10014.

[12] 丁逸.基于層次策略的動(dòng)態(tài)負(fù)載均衡算法研究 [D].南京：東南大學(xué)，2005.

[13] 吳俊鵬，劉曉東.一種基于集群的動(dòng)態(tài)負(fù)載均衡算法研究 [J].電子設(shè)計(jì)工程，2021，29（16）：75-78.

[14] 曲乾聰，王俊.基于負(fù)載反饋的分布式數(shù)字集群動(dòng)態(tài)負(fù)載均衡算法 [J].計(jì)算機(jī)應(yīng)用研究，2022，39（2）：526-530+542.

作者簡(jiǎn)介：鄭松奕（1986—），男，漢族，廣東揭陽(yáng)人，助理工程師，碩士，研究方向：機(jī)器學(xué)習(xí)、軟件工程、網(wǎng)絡(luò)管理、計(jì)算機(jī)網(wǎng)絡(luò)與網(wǎng)絡(luò)安全；通信作者：陳國(guó)良（1984—），男，漢族，廣東英德人，高級(jí)工程師，本科，研究方向：網(wǎng)絡(luò)管理、網(wǎng)絡(luò)安全、系統(tǒng)管理、軟件工程；蔣正亮（1987—），男，漢族，廣東清遠(yuǎn)人，工程師，碩士，研究方向：計(jì)算機(jī)網(wǎng)絡(luò)與網(wǎng)絡(luò)安全、算力網(wǎng)絡(luò)；張?jiān)Ｏ椋?989—），男，漢族，廣東韶關(guān)人，工程師，碩士，研究方向：通信工程、網(wǎng)絡(luò)安全。