張開琦，劉曉燕，王 信，吉春山，嚴(yán) 馨

(1.昆明理工大學(xué)信息工程與自動化學(xué)院,云南 昆明 650500；2.金川鎳鉆研究設(shè)計院,甘肅 金昌 737100)

1 引言

隨著信息時代的發(fā)展，人們對系統(tǒng)網(wǎng)站的使用量越來越多，這對系統(tǒng)服務(wù)器的負(fù)載能力提出了考驗。解決負(fù)載問題一般是采用2種方法，一種是使用具有強(qiáng)大硬件配置的后臺服務(wù)網(wǎng)絡(luò)，但因為各種原因這種方法很難實現(xiàn)；而另一種便是采用負(fù)載均衡方法來解決服務(wù)負(fù)載過大的問題。負(fù)載均衡廣泛地應(yīng)用于分布式環(huán)境，由于當(dāng)今大數(shù)據(jù)與云計算的廣泛使用，分布式服務(wù)系統(tǒng)也被開發(fā)人員頻繁使用。其中微服務(wù)架構(gòu)作為分布式架構(gòu)的代表，因為其按功能來劃分服務(wù)的特點(diǎn)，會導(dǎo)致各個服務(wù)的負(fù)載均衡難以控制，出現(xiàn)有的服務(wù)訪問量過高，而有的服務(wù)基本無人訪問的問題。

目前解決負(fù)載均衡的方法有很多，但是針對微服務(wù)架構(gòu)的負(fù)載均衡方法還在不斷地研究之中。很多企業(yè)都在構(gòu)建自己的微服務(wù)服務(wù)集群，開發(fā)自己的云計算平臺，因此解決微服務(wù)負(fù)載均衡問題被各大公司提上了日程。

針對微服務(wù)的負(fù)載均衡問題，本文提出一種基于動態(tài)權(quán)重的一致性哈希負(fù)載均衡優(yōu)化方法。一致性哈希是一種具有良好橫向擴(kuò)展性的集群動態(tài)擴(kuò)展技術(shù)。 但是，一致性哈希自身并沒有負(fù)載均衡的措施，很容易導(dǎo)致負(fù)載的傾斜。本文針對電商系統(tǒng)，將系統(tǒng)按功能劃分微服務(wù)架構(gòu)，部署在Docker容器中，提出一種基于虛擬機(jī)節(jié)點(diǎn)的一致性哈希服務(wù)劃分方式，使用動態(tài)權(quán)重實現(xiàn)服務(wù)訪問量過大時，自動增加服務(wù)和服務(wù)負(fù)載傳遞。通過與輪詢和傳統(tǒng)一致性哈希算法的實驗對比，表明此方法相比傳統(tǒng)一致性哈希算法在負(fù)載均衡方面有很大的性能提升。

2 相關(guān)工作

針對微服務(wù)集群的負(fù)載均衡問題，當(dāng)使用微服務(wù)時，首先要考慮一些設(shè)計上的均衡問題，例如平衡微服務(wù)的大小和數(shù)量，平衡單個微服務(wù)和整個系統(tǒng)之間的非功能性需求。文獻(xiàn)[1]介紹了一種用Hash算法解決這些平衡問題的方案。文獻(xiàn)[2]介紹了一種用于構(gòu)建云應(yīng)用程序的軟件框架Orleans，它運(yùn)用貪婪策略處理負(fù)載平衡。它將請求隨機(jī)分配給服務(wù)器，如果請求被分配給過載的服務(wù)器，服務(wù)器將拒絕請求，然后其被重新分配給另一臺服務(wù)器；如果服務(wù)器未過載，但服務(wù)器上的請求激活空間過載，則到達(dá)的請求將被發(fā)送到此服務(wù)器上新創(chuàng)建的激活空間中，閑置足夠長時間的激活空間將被關(guān)閉，此方法類似于本文的微服務(wù)方法。但是，本文添加了權(quán)重屬性以更準(zhǔn)確地測量負(fù)載。Microsoft Azure Service Fabric的平衡管理器根據(jù)網(wǎng)絡(luò)流量來計算哈希函數(shù)。哈希函數(shù)需要源IP、源端口、目標(biāo)IP、目標(biāo)端口和協(xié)議類型等信息，管理器確保來自同一鏈接的所有包都被相同的服務(wù)器接收并且平均分配。文獻(xiàn)[3]提出了一種運(yùn)用一致性哈希加強(qiáng)緩存來減小大型Web應(yīng)用程序中故障的負(fù)面影響。Ringpop是一個Uber開發(fā)的使用一致性哈希進(jìn)行負(fù)載均衡的開源庫，它為每個節(jié)點(diǎn)添加統(tǒng)一數(shù)量的副本點(diǎn)，這與本文的方法類似。但是，由于節(jié)點(diǎn)分布不均，無法保證這些點(diǎn)的均勻分布。文獻(xiàn)[4]介紹了一種針對哈希環(huán)節(jié)點(diǎn)的遍歷次數(shù)進(jìn)行優(yōu)化的多重查詢方法；文獻(xiàn)[5]提出了EFAH Hashing算法；文獻(xiàn)[6]提出了一種更快捷、占用資源更少的一致性哈希算法，叫做跳躍性一致性哈希算法；文獻(xiàn)[7]提出了一種基于跳躍 Hash 的對象分布算法。文獻(xiàn)[7]研究了基于Nginx服務(wù)器的Web服務(wù)集群的負(fù)載均衡場景，提出了一種基于動態(tài)權(quán)重最小連接算法DWLC(Dynamic Weighted Least-Connection)，根據(jù)每臺從機(jī)的性能來決定權(quán)重設(shè)置，并根據(jù)Least-Connection算法來決定最后分配結(jié)果。

容器技術(shù)近些年被廣泛應(yīng)用到分布式系統(tǒng)開發(fā)中。在所有的容器平臺中，Docker絕對是最受開發(fā)者歡迎的。2013年，Docker的推出開啟了應(yīng)用程序開發(fā)的一場革命，有大量的論文使用Doc- ker作為環(huán)境的解決方案。文獻(xiàn)[8]測試了本地Docker環(huán)境與傳統(tǒng)Red Hat環(huán)境之間的性能差異。該測試表明，在性能之間只有0.4%的可忽略的差異。這意味著Docker容器可以在生產(chǎn)環(huán)境中發(fā)揮更大的作用。文獻(xiàn)[9]提出了一種基于Docker和Agave的網(wǎng)關(guān)，在Docker的幫助下將網(wǎng)關(guān)更加輕量級化。

3 動態(tài)權(quán)重一致性哈希劃分方法

3.1 基本概念

實現(xiàn)微服務(wù)架構(gòu)的負(fù)載均衡是非常重要的，因為不知道將會有多少用戶進(jìn)行訪問。假設(shè)一個服務(wù)同時處理用戶請求的上限為1 000，分配20個服務(wù)為10 000名用戶來提供服務(wù)。當(dāng)有20 000名用戶發(fā)出請求時，將必須開啟新的服務(wù)來處理新增加的請求，這些服務(wù)中有的服務(wù)是過載的而有的服務(wù)卻是相對空閑的。

本文選擇一致性哈希作為哈希函數(shù)。然而一致性哈希函數(shù)存在一些缺陷。一致性哈希在超過1 000個虛擬節(jié)點(diǎn)的環(huán)境中效果最好，而通常很多應(yīng)用程序的切片鍵太少，所以無法使用一致性哈希來解決負(fù)載均衡問題，因此需要改進(jìn)以彌補(bǔ)這種缺陷。

3.2 虛擬節(jié)點(diǎn)劃分

虛擬節(jié)點(diǎn)是一種被廣泛應(yīng)用于工程場景的概念，通過網(wǎng)路映射的方式，在一臺物理主機(jī)上搭建多個網(wǎng)絡(luò)連接。本文運(yùn)用虛擬節(jié)點(diǎn)，旨在縮短用戶的請求映射到哈希環(huán)上后尋找目標(biāo)節(jié)點(diǎn)所需要遍歷的哈希長度，從而提升分配的效率。

一致性哈希方法的基本原理是將存儲空間抽象成一個232節(jié)點(diǎn)的圓，將存儲節(jié)點(diǎn)分配到這個圓上，環(huán)上的節(jié)點(diǎn)都有一個哈希值。采用同樣的方法求出存儲數(shù)據(jù)的鍵的哈希值，并同樣映射到圓上。然后從數(shù)據(jù)映射到的位置順時針查找，將數(shù)據(jù)存儲在第1個找到的服務(wù)器上。

在本文微服務(wù)架構(gòu)場景下，一致性哈希的關(guān)鍵步驟是將每個服務(wù)映射到圓邊緣上的點(diǎn)，但如果服務(wù)的數(shù)量不夠，會導(dǎo)致分布不均勻，這就會造成負(fù)載不均的問題。本文用于解決該問題的方法是在用戶與服務(wù)之間增加一個虛擬層，其哈希環(huán)如圖1所示，虛擬層由大量虛擬節(jié)點(diǎn)組成。使用一致性哈希創(chuàng)建用戶與虛擬節(jié)點(diǎn)之間的映射，虛擬節(jié)點(diǎn)與服務(wù)之間通過簡單取模操作創(chuàng)建映射，通過這種方法就有足夠的虛擬節(jié)點(diǎn)來進(jìn)行一致性哈希操作。虛擬節(jié)點(diǎn)的數(shù)量也很重要，如果虛擬節(jié)點(diǎn)的數(shù)量過少，將會導(dǎo)致原有的一致性哈希方法負(fù)載均衡效果不明顯；反之，則會導(dǎo)致找到一個對應(yīng)用戶的虛擬節(jié)點(diǎn)所需時間過長。

Figure 1 User mapping to virtual machine node圖1 用戶映射到虛擬機(jī)節(jié)點(diǎn)

本文根據(jù)用戶請求的IP地址來計算用戶的key，服務(wù)的key通過服務(wù)的IP地址與端口來計算。我們使用FNV(Fowler-Noll-Vo)算法[10]來Hash這些信息。FNV算法分為FNV-1，F(xiàn)NV-1a和FNV-0 3種，目前FNV-0算法已經(jīng)被放棄使用了，而FNV-1a算法只是在FNV-1的基礎(chǔ)上將相乘和異或運(yùn)算進(jìn)行了順序調(diào)換，其它過程和參數(shù)與FNV-1相同，F(xiàn)NV-1a算法在進(jìn)行小數(shù)據(jù)哈希時有更好的性能(小于4個字節(jié))，故本文采用FNV-1算法。FNV-1算法能在保持較小沖突率的情況下Hash大量的數(shù)據(jù)，因為它高度分散的特性，使其適用于Hash一些非常相近的字符串。通過求出的數(shù)據(jù)Hash值，可以盡量保證相同的用戶Hash到相同的服務(wù)上去。使用FNV-1算法來Hash信息如圖2所示。

Figure 2 Using hash function and FNV-1圖2 使用哈希函數(shù)和FNV-1

3.3 動態(tài)權(quán)重均衡

因為一致性哈希算法本身并沒有相應(yīng)的負(fù)載均衡策略，所以本文通過一種基于動態(tài)權(quán)值分配的方法對微服務(wù)的負(fù)載進(jìn)行均衡優(yōu)化。分布式系統(tǒng)的負(fù)載均衡是復(fù)雜的，其系統(tǒng)資源占用因用戶而異，一些活躍的用戶需要更多的資源，因此需要為其開辟更多的微服務(wù)；相反，一些相對不活躍的用戶很少訪問服務(wù)，不需要給他們分配很多微服務(wù)。

我們根據(jù)用戶的訪問情況計算用戶的權(quán)重，將用戶權(quán)重屬性定義到用戶的數(shù)據(jù)表中，權(quán)重定義為：

W=(Nu+Ns)/t

其中，W是用戶的權(quán)重值，Nu是用戶發(fā)起請求的次數(shù)，Ns是請求調(diào)用微服務(wù)的數(shù)量，t是用戶訪問的時間。Nu,Ns和t由服務(wù)收集和更新，通過自動平衡服務(wù)進(jìn)行更改。因為權(quán)重短時間內(nèi)不會顯著變化，所以可以間隔一段時間后進(jìn)行更改。

自動平衡服務(wù)計算并保存每個服務(wù)組中用戶的總權(quán)重。如果一個用戶想要登錄，并且給用戶分配的權(quán)重超過了給他分配的服務(wù)權(quán)重的上限，自動平衡服務(wù)就會撤銷之前的分配，并且將其分配給一個新的服務(wù)。如果所有的服務(wù)都達(dá)到了上限，自動平衡服務(wù)就會開辟一個新的服務(wù)，并將用戶分配給這個服務(wù)。這樣，負(fù)載過高的服務(wù)只能接收那些不活躍的用戶，而活躍的用戶會分配給負(fù)載相對較低的服務(wù)。

動態(tài)權(quán)重均衡算法如算法1所示。

算法1動態(tài)權(quán)重均衡算法

Input:Li-Load of this service,Lmin-Load of the service with the lowest weight,T-Threshold of the service,Nc-Number of the services,W-Weight of the coming user。

1.Lmin=L0;

2.Fori=0toNc{

3.IfLi+W

4.Lmin=Li; Assign users to this service;}

5.}

6.IfLmin=L0andL0+W>TThen{

7. Start new service;

Assign users to new service;}

如果用戶超過1小時沒有任何操作，自動平衡服務(wù)將從服務(wù)器組中減去此用戶的權(quán)重。如果用戶之后又進(jìn)行操作，自動平衡服務(wù)將重復(fù)上述操作。

3.4 服務(wù)間的負(fù)載轉(zhuǎn)移

在分布式架構(gòu)系統(tǒng)中，用戶的遷移量對系統(tǒng)的負(fù)載均衡尤為重要，當(dāng)某些服務(wù)中的用戶訪問量增多時，會導(dǎo)致服務(wù)的壓力過大，影響系統(tǒng)執(zhí)行效率，嚴(yán)重時會導(dǎo)致服務(wù)宕機(jī)崩潰，因此，需要將負(fù)載壓力過大的服務(wù)中的用戶轉(zhuǎn)移到其他壓力相對較小的服務(wù)中去。

當(dāng)用戶登錄或注銷時，服務(wù)的總權(quán)重將變得不平衡?？梢躁P(guān)閉那些空閑的服務(wù)，但是有些服務(wù)還是負(fù)載過大。故需要將一些負(fù)載壓力過大服務(wù)中的服務(wù)請求轉(zhuǎn)移到負(fù)載相對小的服務(wù)中。因此，本文設(shè)計了一種基于動態(tài)權(quán)重的服務(wù)之間負(fù)載轉(zhuǎn)移的算法。

負(fù)載轉(zhuǎn)移算法如算法2所示。

算法2負(fù)載轉(zhuǎn)移算法

Input:Li-Load of this service,Wj-Weight of this user,S-Safety line for balance,WList-List of the users to be transferred to idle services,LList-List of idle services to receive users。

1.ForeachLdo{

2.IfLi

3. AddLitoLList}

4.Else{

WhileLi>Sdo{

5. AddWjtoWList;

6.Li=Li-Wj;}}

7.WhileWListis not empty{

8. SelectLlfromLList;}

9.IfWl+Ll

10. TransferWltoLl}

11.Else{

12. RemoveLlfromLList}

13.IfLListis emptythen{

14. Create new service and add it toLList}}

通過遍歷所有的服務(wù)和用戶，檢查哪些用戶請求需要被轉(zhuǎn)移，哪些服務(wù)可以用來接受這些請求。當(dāng)遍歷所有的服務(wù)，沒有服務(wù)滿足接收用戶請求的條件時，系統(tǒng)將自動開啟一個新的服務(wù)，用來接收轉(zhuǎn)移的用戶請求。

在該算法中，通過概率搜索來選擇接收用戶轉(zhuǎn)移的服務(wù)，而不是通過隨機(jī)選擇和在符合條件的服務(wù)列表中順序選擇。這種方法是由Menon等人[11]首次提出的，該方法按固定順序從多個處理器中選擇一個處理器。本文將目標(biāo)換為系統(tǒng)中無順序的微服務(wù)，自動平衡服務(wù)為空閑服務(wù)列表中的每個服務(wù)分配一個概率。服務(wù)被選擇的概率如下所示：

Pi=(Lmax-Li/Lavg-Lmin)/Z

其中，Pi是分配給服務(wù)i的概率，Lmax是系統(tǒng)中服務(wù)的負(fù)載最大值，Lmin是系統(tǒng)中服務(wù)的負(fù)載最小值，Lavg是系統(tǒng)中服務(wù)的負(fù)載平均值。Z是一個與負(fù)載最大值、最小值和平均值相關(guān)的常數(shù)。然后自動平衡服務(wù)根據(jù)概率Pi來選擇接收用戶轉(zhuǎn)移的服務(wù)，負(fù)載越大的服務(wù)被選擇的概率越小。在應(yīng)用上，其實不需要選擇負(fù)載最小的服務(wù)來接收轉(zhuǎn)移的負(fù)載，只需要保證相關(guān)用戶負(fù)載被轉(zhuǎn)移到負(fù)載較少的服務(wù)中去。結(jié)合前面舉一個例子，假設(shè)一組服務(wù)的負(fù)載為{40,25,30,20,40},得出Z為4.1，概率為{0，0.32，0.24,0.44,0}。這意味著負(fù)載為最大負(fù)載值40的服務(wù)，不被自動平衡服務(wù)識別為可以接收轉(zhuǎn)移負(fù)載的服務(wù)，剩下3個服務(wù)根據(jù)概率值來被選擇為接收負(fù)載的服務(wù)。

假如上述的服務(wù)組中增加了一個用戶，其負(fù)載變?yōu)閧40,26,30,20,40}，那么它的概率變?yōu)閧0,0.32,0.23,0.45,0}。這些服務(wù)的概率與之前的沒有顯著差異，所以不需要在每次增加新用戶時都對服務(wù)的概率進(jìn)行重新計算，只需要在服務(wù)組的Lmax和Lmin顯著變化時對概率進(jìn)行重新計算。

4 實驗結(jié)果及分析

4.1 實驗平臺及部署

本實驗在VMware workstation上進(jìn)行，在VM上安裝并運(yùn)行Docker虛擬機(jī)。使用雙核CPU和8 GB內(nèi)存，虛擬機(jī)的系統(tǒng)為Ubuntu 16.04.2。將服務(wù)部署在Docker容器中，使用apt-get命令來安裝實驗中需要的軟件。

4.2 實驗方案

為了觀察本文算法的負(fù)載均衡效果，標(biāo)準(zhǔn)差是衡量負(fù)載均衡的一個流行度量，但是在有些情況下，2組負(fù)載數(shù)據(jù)的標(biāo)準(zhǔn)差σ是相同的，為了解決這一問題，將最大負(fù)載與平均負(fù)載的差除以平均負(fù)載作為衡量負(fù)載均衡的另一指標(biāo)U，負(fù)載不平衡的概率為:

U=(Lmax-Lavg)/Lavg

加入不平衡參數(shù)U后的負(fù)載如表1所示。

Table 1 Load example after adding parameter U表1 加入U后的負(fù)載例子

這個標(biāo)準(zhǔn)由負(fù)載最大的服務(wù)來主導(dǎo)。假設(shè)有2個服務(wù)組，它們的平均負(fù)載都為10，并且它們的標(biāo)準(zhǔn)差也相等。很明顯，負(fù)載最大值為20的服務(wù)組負(fù)載不平衡的概率大于負(fù)載最大值為15的服務(wù)組。前一個的負(fù)載不平衡率為1.0，而后一個為0.5。

使用Apache JMeter作為本文的基準(zhǔn)測試工具。Apache JMeter是Apache為基準(zhǔn)HTTP服務(wù)器提供的壓力測試工具。它可以模擬多線程并發(fā)請求和測試服務(wù)器負(fù)載壓力。使用Docker容器部署20個服務(wù)組來進(jìn)行負(fù)載均衡測試。本文設(shè)計的實驗將會通過同等時間長度內(nèi)，發(fā)送1×103，5×103,10×103,50×103,100×1035個數(shù)量級的數(shù)據(jù)請求來觀察在不同的負(fù)載情況下，本文算法的實際計算效率和負(fù)載均衡狀況。

4.3 運(yùn)行效率測試

首先需要比較本文算法與傳統(tǒng)一致性哈希算法和輪詢算法的運(yùn)行效率差異，輪詢算法是一種常見的負(fù)載均衡算法，主要是將請求按順序輪流分配到服務(wù)器上，其對比圖如圖3所示。

Figure 3 Comparison of efficiency圖3 運(yùn)行效率對比

從實驗的結(jié)果來看，本文基于動態(tài)權(quán)重的一致性哈希算法在各個并發(fā)量的情況下效果相對穩(wěn)定，有較好的表現(xiàn)。因為傳統(tǒng)一致性哈希算法沒有添加虛擬節(jié)點(diǎn)進(jìn)行優(yōu)化，導(dǎo)致每次分配都需要遍歷很長的距離，從而導(dǎo)致額外的開銷增多，隨著訪問量的增加，處理的效率隨之降低。而另外一組輪詢算法因為是在整個微服務(wù)集群中按順序選擇服務(wù)，其在并發(fā)請求數(shù)量增加的情況下處理效果相對穩(wěn)定，但如果集群中服務(wù)節(jié)點(diǎn)數(shù)量增加，會產(chǎn)生一些分配性能上的損失。

4.4 節(jié)點(diǎn)劃分方法測試

通過比較3種不同的算法來評估本文算法的切分服務(wù)。表2顯示了3種算法的負(fù)載不平衡概率結(jié)果。

Table 2 Load test results表2 負(fù)載測試結(jié)果

由表3所示，改進(jìn)后的一致性哈希算法負(fù)載不平衡概率較低，是原有一致性哈希算法的31%?；谔摂M節(jié)點(diǎn)的一致性哈希算法的標(biāo)準(zhǔn)差和不平衡概率較低，明顯小于傳統(tǒng)一致性哈希算法和輪詢算法的。這是因為傳統(tǒng)一致性哈希算法中沒有足夠的服務(wù)來作為節(jié)點(diǎn)，用戶的請求很可能集中訪問某一節(jié)點(diǎn)導(dǎo)致負(fù)載傾斜，所以當(dāng)節(jié)點(diǎn)數(shù)量不足時，只使用一致性哈希算法來進(jìn)行節(jié)點(diǎn)劃分，其結(jié)果是不理想的。而輪詢算法是通過在服務(wù)集群的服務(wù)列表中按順序分配請求，而微服務(wù)集群中的服務(wù)器存在性能上的差異，導(dǎo)致高性能的服務(wù)器負(fù)載低，而低性能的服務(wù)器負(fù)載過高。

4.5 動態(tài)權(quán)重方法測試

由于動態(tài)加權(quán)的方法是在劃分方法的基礎(chǔ)上改進(jìn)的，所以測試的方法與之前大致相同。區(qū)別是本文創(chuàng)建了10個虛擬用戶，并設(shè)置了他們的訪問時間和訪問次數(shù)。使用Apache JMeter對用戶進(jìn)行了多次重復(fù)實驗，結(jié)果見表3，其中Wavg為權(quán)重的平均值，σw為權(quán)重的標(biāo)準(zhǔn)差。

Table 3 Dynamic weight test results表3 動態(tài)權(quán)重測試結(jié)果

表3結(jié)果表明，該方法具有良好的負(fù)載均衡性能，其不僅可以均衡用戶的訪問數(shù)量，還可以使用戶的負(fù)載水平達(dá)到一個相對的平衡。

4.6 負(fù)載傳遞方法測試

首先重復(fù)上述步驟，然后通過自動平衡服務(wù)發(fā)送一個信號，使其對服務(wù)集群中的服務(wù)進(jìn)行負(fù)載均衡，其結(jié)果如表4所示，其中Before為集群中服務(wù)進(jìn)行負(fù)載傳遞前的各項數(shù)值，After為進(jìn)行負(fù)載傳遞后的各項數(shù)值。表4的結(jié)果表明，經(jīng)過負(fù)載傳遞之后，服務(wù)集群中權(quán)重和用戶數(shù)基本分配均等。此方法很大程度上解決了負(fù)載均衡問題。

Table 4 Test results of transmission method表4 傳遞方法測試結(jié)果

5 結(jié)束語

隨著大數(shù)據(jù)時代的到來，處理負(fù)載均衡問題已經(jīng)成為服務(wù)集群的重要問題，一種有效的負(fù)載均衡方法決定著系統(tǒng)所能發(fā)揮的性能。本文針對分布式系統(tǒng)的負(fù)載均衡問題，對一致性哈希算法進(jìn)行優(yōu)化，提出一種基于動態(tài)權(quán)重的一致性哈希處理負(fù)載問題的策略。通過增加一層虛擬節(jié)點(diǎn)的哈希環(huán)來解決傳統(tǒng)一致性哈希算法因為節(jié)點(diǎn)不足導(dǎo)致負(fù)載傾斜的問題；并提出了基于權(quán)重分配負(fù)載以及實現(xiàn)服務(wù)負(fù)載傳遞的方法。從實驗結(jié)果來看，該方法有效地提高了系統(tǒng)的性能，降低了負(fù)載不平衡的概率，實現(xiàn)了服務(wù)集群中各服務(wù)的負(fù)載和用戶訪問的均衡。與傳統(tǒng)的方法相比，負(fù)載均衡的效果得到了有效的提高。