張 翼，蔡 磊，霍 如,,3，汪 碩,3,4，黃 韜,3,4，盧 華

(1.北京工業(yè)大學 信息學部 北京未來網(wǎng)絡(luò)科技高精尖創(chuàng)新中心，北京 100124；2.廣東省新一代通信與網(wǎng)絡(luò)創(chuàng)新研究院，廣東 廣州 510700；3.網(wǎng)絡(luò)通信與安全紫金山實驗室，江蘇 南京 211111；4.北京郵電大學 網(wǎng)絡(luò)與交換國家重點實驗室，北京 100876)

工業(yè)互聯(lián)網(wǎng)標識解析體系是工業(yè)互聯(lián)網(wǎng)網(wǎng)絡(luò)體系的重要組成部分，是支撐工業(yè)互聯(lián)網(wǎng)互聯(lián)互通的神經(jīng)樞紐.工業(yè)互聯(lián)網(wǎng)標識解析體系結(jié)構(gòu)自頂向下包含國際根節(jié)點、國家頂級節(jié)點、二級節(jié)點以及企業(yè)節(jié)點，這些節(jié)點之間數(shù)據(jù)互通，形成了一個巨大的產(chǎn)業(yè)生態(tài)體系[1-2].隨著標識解析技術(shù)的快速發(fā)展，許多行業(yè)企業(yè)通過對接二級節(jié)點，利用標識解析技術(shù)實現(xiàn)了產(chǎn)品的供應鏈管理以及生命周期管理，標識的注冊量以及解析量也因此達到了海量級別，如何讓二級節(jié)點系統(tǒng)有效處理高并發(fā)的標識服務(wù)請求也成為了當前的主要關(guān)注點之一.

面向高并發(fā)的請求，負載均衡是主要的解決方案之一，在過去的研究中，主要采用的負載均衡方案可以分為靜態(tài)負載均衡和動態(tài)負載均衡兩類，靜態(tài)負載均衡算法是指不考慮服務(wù)器的實時負載狀態(tài)，僅利用一些統(tǒng)計數(shù)值或者數(shù)學函數(shù)以一定比例來分配請求，主要包含輪詢調(diào)度算法、加權(quán)輪詢調(diào)度算法、地址散列調(diào)度算法、一致性哈希算法[3-4].動態(tài)負載均衡算法主要是指在集群長時間的運行后，自身的負載狀態(tài)會產(chǎn)生較大的差異，在進行請求分配的同時，需要利用服務(wù)器的實時運行信息評估服務(wù)器的負載狀態(tài)，并根據(jù)該狀態(tài)來進行請求的分配，目前傳統(tǒng)的動態(tài)負載均衡算法主要包含最小連接調(diào)度算法、加權(quán)最小連接調(diào)度算法[5-6].此外，隨著人工智能的發(fā)展，許多人工智能算法被應用到了負載均衡的新方案中，例如文獻[7-9]提出的負載均衡算法均基于人工神經(jīng)網(wǎng)絡(luò)創(chuàng)建流量預測模型，并根據(jù)預測結(jié)果來選擇負載最小的路徑.

目前學術(shù)界基于人工智能的動態(tài)負載均衡方案大部分都應用在諸如云計算、SDN以及移動蜂窩網(wǎng)絡(luò)等領(lǐng)域中，主要實現(xiàn)的是網(wǎng)絡(luò)層之間的路由負載均衡.而本文的場景是針對標識解析二級節(jié)點系統(tǒng)，負載均衡方案需要應用到應用層集群服務(wù)器之間，因此上述的動態(tài)負載均衡方案不能很好的移植到本文的場景中.此外，由于標識解析技術(shù)在國內(nèi)發(fā)展的時間較短，目前技術(shù)本身及部署推廣已經(jīng)發(fā)展的較為成熟，但是性能優(yōu)化并未考慮的比較全面，僅采用一些簡單的如靜態(tài)負載均衡的方案來緩解標識解析節(jié)點壓力，不能考慮到集群的實時運行狀況和流量的突發(fā)性，這也導致了目前的標識解析系統(tǒng)不能很好地應對高并發(fā)請求處理.針上述問題，本文提出了一種感知動態(tài)負載均衡方案，該方案首先基于LSTM算法建立了服務(wù)器連接數(shù)長期預測模型，通過該模型可以預測得到服務(wù)器下一時刻的請求連接數(shù)并反映下一時刻的流量大小.然后在此基礎(chǔ)上，基于加權(quán)最小連接調(diào)度算法，利用集群的性能指標、實時負載信息預測得到權(quán)值最大的服務(wù)器來處理請求.仿真實驗結(jié)果表明：本文提出的算法相對于傳統(tǒng)的靜態(tài)負載均衡算法可以大幅度地縮短請求的平均響應時間，提高集群吞吐率和請求響應成功率.

1 系統(tǒng)架構(gòu)

1.1 標識解析二級節(jié)點網(wǎng)絡(luò)拓撲

工業(yè)互聯(lián)網(wǎng)二級節(jié)點是面向特定行業(yè)或者多個行業(yè)提供標識服務(wù)的公共節(jié)點，如圖1所示，二級節(jié)點服務(wù)部署采取了分布式的部署方式，同一行業(yè)的不同節(jié)點可以部署在不同的地區(qū)，不同行業(yè)的二級節(jié)點通過互聯(lián)網(wǎng)彼此互聯(lián)，他們之間的資源共享，形成了一張標識信息網(wǎng)絡(luò).在行業(yè)二級節(jié)點內(nèi)部，不同地區(qū)的節(jié)點部署了多個標識解析代理服務(wù)，每個代理服務(wù)之間的數(shù)據(jù)互為復制，資源共享.面對海量的標識請求，我們設(shè)計了一種負載均衡器，將訪問流量均攤到多個服務(wù)器上執(zhí)行任務(wù)，這樣可以縮短系統(tǒng)對用戶提供服務(wù)的響應時間、平衡多個服務(wù)器之間的負載，從而達到提升整體服務(wù)器集群性能的目的.

圖1 標識解析二級節(jié)點網(wǎng)絡(luò)拓撲

1.2 標識解析二級節(jié)點負載均衡系統(tǒng)框架

在眾多行業(yè)的二級節(jié)點中，每個二級節(jié)點內(nèi)部都部署著負載均衡系統(tǒng)，該系統(tǒng)框架如圖2所示.本文提出的負載均衡系統(tǒng)主要可以分為兩部分：第一部分的數(shù)據(jù)采集模塊負責采集服務(wù)器性能指標和負載信息，負載均衡模塊負責利用預測模型得到的請求連接數(shù)和數(shù)據(jù)采集模塊得到的數(shù)據(jù)來計算服務(wù)器的權(quán)重并選擇最佳節(jié)點.第二部分的流量調(diào)度模塊則主要依據(jù)預測得到的最佳節(jié)點來進行流量調(diào)度，達到負載均衡的目的，集群管理模塊則主要負責管理集群中的服務(wù)器并向數(shù)據(jù)采集模塊提供信息采集接口.

圖2 標識解析二級節(jié)點負載均衡系統(tǒng)框架

本文提出的動態(tài)負載均衡算法選擇一個服務(wù)器的可能性由該服務(wù)器的權(quán)重決定，而服務(wù)器權(quán)重又由3部分決定，即服務(wù)器的性能、實時負載以及請求連接數(shù)，具體設(shè)計思路如圖3所示，負載均衡系統(tǒng)在接收到用戶請求之后，首先計算各個服務(wù)器的性能指標以及實時負載，然后利用長短期記憶網(wǎng)絡(luò)模型來預測各個服務(wù)器下一時刻的請求連接數(shù)，最后通過這3個參數(shù)來預測最佳的節(jié)點并將請求轉(zhuǎn)發(fā)到該節(jié)點進行處理.

圖3 標識解析二級節(jié)點負載均衡系統(tǒng)流程圖

2 標識解析二級節(jié)點負載均衡算法

最小連接調(diào)度算法是指在分配請求的時候采取服務(wù)器請求連接數(shù)作為評估指標，每次選取連接數(shù)最小的服務(wù)器分配任務(wù).但是由于不同的服務(wù)器具有不同的性能，在連接數(shù)相同的情況下低性能的服務(wù)器負載可能已經(jīng)飽和，因此加權(quán)最小連接調(diào)度算法在最小連接調(diào)度算法的基礎(chǔ)之上，用相應的權(quán)值代表服務(wù)器的性能指標，使服務(wù)器的連接數(shù)與權(quán)值成比例，將請求分配到比例最小的服務(wù)器上.論文[6]提出的算法就是一種典型的加權(quán)最小連接調(diào)度負載均衡算法，該算法選擇了可以反映服務(wù)器負載情況的CPU利用率、硬盤利用率、內(nèi)存利用率；可以反映服務(wù)器性能的CPU、硬盤大小、內(nèi)存大?。豢梢苑从钞斍傲髁看笮〉姆?wù)器連接數(shù)等數(shù)據(jù)作為權(quán)重評估的參數(shù)，利用每個參數(shù)的變化來計算動態(tài)權(quán)重，來評估服務(wù)器的實時性.

本文在文獻[6]提出的動態(tài)負載均衡算法基礎(chǔ)上，將硬盤大小、硬盤利用率這兩個參數(shù)換為網(wǎng)卡帶寬以及網(wǎng)卡帶寬利用率，并引入了基于LSTM的請求連接數(shù)預測模型，將預測得到的請求數(shù)也加入到了權(quán)重評估參數(shù)中，下面兩節(jié)將分別介紹請求連接數(shù)的預測模型以及利用請求連接數(shù)、負載信息和性能指標來評估服務(wù)器權(quán)重的算法.

2.1 基于LSTM的連接數(shù)預測模型

本文基于LSTM算法建立了請求連接數(shù)預測模型，通過該模型，我們將得到服務(wù)器下一時刻的請求連接數(shù)qt+1.

2.1.1 數(shù)據(jù)預處理

式(1)中的X矩陣為本算法的輸入矩陣：

Xn×2=[Q,T]，

(1)

其中：Q矩陣對應為請求連接數(shù)，Q=[q1，q2，…，qn]T；T矩陣對應為具體的時刻，T=[t1，t2，…，tn]T.

如果直接使用原始的數(shù)據(jù)來進行輸入，則會突出數(shù)值較高的結(jié)果的影響力，削弱數(shù)值較低的結(jié)果的影響力，所以我們需要對X矩陣的數(shù)據(jù)進行數(shù)據(jù)標準化操作.本文采用了Z-score方法，這種方法基于原始數(shù)據(jù)的均值和標準差進行數(shù)據(jù)的標準化，如式(2)所示.

X=(X-mean(X))/S,

(2)

其中：mean(X)為X矩陣的均值；S為矩陣X的方差.標準化后的數(shù)據(jù)會圍繞0波動，大于0說明該數(shù)值高于平均水平，低于0則相反.

2.1.2 LSTM算法模型

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)是一類以序列數(shù)據(jù)為輸入，在序列的演進方向進行遞歸且所有的節(jié)點按照鏈式連接的遞歸神經(jīng)網(wǎng)絡(luò).但是，標準的循環(huán)神經(jīng)網(wǎng)絡(luò)被梯度爆炸的問題所限制，利用該模型建立長期的依賴關(guān)系非常困難.針對此問題，學術(shù)界提出了眾多解決方案，包括LSTM以及門控循環(huán)單元.LSTM網(wǎng)絡(luò)是一種特殊的RNN，側(cè)重于研究數(shù)據(jù)序列的互相依賴關(guān)系.該網(wǎng)絡(luò)將時間特征融入到自身，能夠依據(jù)系統(tǒng)動態(tài)的時序數(shù)據(jù)建立能反映序列中包含的動態(tài)依存關(guān)系的數(shù)學模型，解決了RNN梯度消失以及長期依賴的問題并且在處理時序數(shù)據(jù)時表現(xiàn)出優(yōu)異性能，因此本文選擇利用LSTM網(wǎng)絡(luò)對請求連接數(shù)時序數(shù)據(jù)進行預測.

LSTM算法的基本結(jié)構(gòu)如圖4所示，貫穿在圖上方的紅色水平線為細胞狀態(tài)(cell)，c為記憶細胞，主要用來存儲信息，a為隱藏層的輸出，y為LSTM算法每層基礎(chǔ)結(jié)構(gòu)的輸出，具體對應為本模型預測的每一時刻的請求連接數(shù)，tanh為本算法使用的激活函數(shù)之一，如式(3)所示.此外，LSTM主要由3部分組成，即忘記門、更新門以及輸出門.

(3)

忘記門負責決定記憶細胞要丟棄的信息，具體公式為

Γf=σ(Wf[a,x]+bf)，

(4)

其中a和x為忘記門的輸入，如圖4所示，上一節(jié)得到的輸入矩陣X將作為LSTM模型第1層忘記門的輸入，此外該公式會通過激活函數(shù)sigmoid輸出一個介于0和1之間的數(shù)字，0表示完全丟棄，1表示完全保留，式(5)為本算法使用的sigmoid函數(shù)：

圖4 LSTM基礎(chǔ)結(jié)構(gòu)圖

(5)

Γu=σ(Wu[a,x]+bu)，

(6)

(7)

(8)

輸出門用來控制該層的細胞狀態(tài)有多少被過濾，首先使用激活函數(shù)sigmoid來獲得一個0到1之間的數(shù)值Γo，然后將細胞狀態(tài)通過tanh激活函數(shù)處理并與Γo相乘，輸出得到本層的a：

Γo=σ(Wo[a,x]+bo)，

(9)

a=Γotanhc.

(10)

2.2 節(jié)點權(quán)重影響因子設(shè)計

本文選取節(jié)點性能指標、節(jié)點負載和節(jié)點請求連接數(shù)這3種節(jié)點特征作為節(jié)點權(quán)重影響因子.對于節(jié)點性能指標和節(jié)點負載來說，常用的評估參數(shù)有CPU主頻、網(wǎng)絡(luò)帶寬、運行內(nèi)存.CPU是節(jié)點的運算和控制中心，是信息處理和程序運行的執(zhí)行單元，節(jié)點的CPU主頻越大，計算能力越高.網(wǎng)絡(luò)帶寬是單位時間內(nèi)能夠傳輸?shù)臄?shù)據(jù)量，是衡量網(wǎng)絡(luò)特征的一個重要參數(shù)，節(jié)點的網(wǎng)絡(luò)帶寬越大，可以并行處理的請求越多.運行內(nèi)存是指程序運行時需要的內(nèi)存，節(jié)點運行內(nèi)存越大，系統(tǒng)程序運行越快.可以看出上述3種參數(shù)對于節(jié)點處理并發(fā)請求的能力有很大的影響，非常適用于評估標識解析二級節(jié)點的性能指標和節(jié)點負載.

令Si代表集群中第i個服務(wù)器，Cd、Md、Bd分別代表服務(wù)器的CPU主頻，內(nèi)存容量以及網(wǎng)絡(luò)帶寬，Cu、Mu、Bu分別代表服務(wù)器的CPU利用率、內(nèi)存利用率以及網(wǎng)絡(luò)帶寬利用率.

(1)計算第i個服務(wù)器的性能指標P(Si)：

(11)

其中α1、β1、γ1是控制參數(shù)權(quán)重的系數(shù)且α1+β1+γ1=1.

(2)計算第i個服務(wù)器的節(jié)點負載L(Si)：

L(Si)=α2Cui+β2Mui+γ2Bui，

(12)

其中α2、β2、γ2是控制參數(shù)權(quán)重的系數(shù)且α2+β2+γ2=1.

(3)服務(wù)器的權(quán)重不僅與下一時刻的連接數(shù)有關(guān)，還與當前時刻的連接數(shù)有很大關(guān)系[6].基于這一情況，計算第i個服務(wù)器的請求連接數(shù)Rank(Si)：

Rank(Si)=α3qt(Si)+β3qt+1(Si)，

(13)

其中:qt+1是通過基于LSTM預測模型預測得到服務(wù)器下一時刻的請求連接數(shù);qt表示當前時刻的請求連接數(shù);α3、β3是控制參數(shù)權(quán)重的系數(shù)且α3+β3=1.

2.3 負載均衡決策算法設(shè)計

令第n臺服務(wù)器的權(quán)重為W(Sn)，權(quán)重越大，分配請求的可能性越大.權(quán)重與服務(wù)器的性能成正比，服務(wù)器的性能指標越高，可以處理的請求越多.但是隨著服務(wù)器的長時間運行，服務(wù)器的剩余性能將越來越少，這一指標將有所局限，因此我們引入了服務(wù)器的實時負載L(Sn)，服務(wù)器的負載與權(quán)重成反比，負載越高，服務(wù)器可以處理的請求越少.此外，不同的服務(wù)器具有不同的性能，處理相同數(shù)量的請求對于高性能的服務(wù)器來說，可能只是占用了一少部分資源，但是對于低性能的服務(wù)器來說，可能已經(jīng)占據(jù)了大部分資源，這樣也是負載不均衡，因此本文引入了請求連接數(shù)這一指標，該指標與權(quán)重成反比.綜上所述，我們得到了下面的權(quán)重計算公式：

(14)

通過以上分析，選擇最佳節(jié)點的問題即可以轉(zhuǎn)換為選擇權(quán)值最大的服務(wù)器，即計算W(Sn)的最大值Max(W(Sn)).

依據(jù)以上提到的負載均衡算法流程，本文設(shè)計了相關(guān)的算法偽代碼如表1(第32頁)所示.該偽代碼主要描述了本算法如何利用影響因子評估參數(shù)來選擇集群處理并發(fā)請求的最佳節(jié)點.

表1 標識解析負載均衡算法的偽代碼

3 仿真實驗與結(jié)果分析

3.1 參數(shù)權(quán)重設(shè)計

在計算3種影響因子時，參數(shù)權(quán)重反映了影響因子對對應參數(shù)的依賴程度.對于節(jié)點性能和節(jié)點負載來說，CPU和運行內(nèi)存決定了處理服務(wù)請求的速度，影響程度一致，故權(quán)重系數(shù)相等，而網(wǎng)絡(luò)帶寬決定了系統(tǒng)并發(fā)量，面對海量的標識服務(wù)并發(fā)請求，網(wǎng)絡(luò)帶寬相對于CPU和運行內(nèi)存具有更高的影響程度，故網(wǎng)絡(luò)帶寬的權(quán)重系數(shù)稍大.在計算請求連接數(shù)時，當前時刻的請求連接和下一時刻的請求連接的屬性特征相同，影響程度也相同，故權(quán)重系數(shù)相等.仿真實驗中式(11)～(13)中所有的權(quán)重系數(shù)的取值如表2所示.

表2 參數(shù)權(quán)重設(shè)計

3.2 預測模型訓練

本實驗搭建了LSTM的單層網(wǎng)絡(luò)以及全連接層模型，對服務(wù)器請求連接數(shù)進行了長期的預測.在LSTM網(wǎng)絡(luò)中，訓練樣本包括功能與標簽，他們作用于網(wǎng)絡(luò)模型的輸入與輸出，經(jīng)過相應的特征計算之后，網(wǎng)絡(luò)模型將獲得預測值，本網(wǎng)絡(luò)模型就是從歷史請求連接數(shù)到下一時刻請求連接數(shù)的映射.此外，本實驗選取了信息采集模塊定時采集的節(jié)點請求連接數(shù)序列作為數(shù)據(jù)集，我們在對數(shù)據(jù)集進行標準化處理之后將其劃分為訓練集和測試集，訓練集用來訓練模型，確定合適的參數(shù)，測試集用來測試已經(jīng)訓練好的模型的精確性.

訓練集和測試集的大小比例對模型的預測效果有十分顯著的影響，訓練集太小，數(shù)據(jù)不具備普遍性，會導致訓練結(jié)果較差，訓練集過大則可能導致模型過擬合，對新的數(shù)據(jù)的預測效果會與訓練效果不符.因此本文對預測模型進行訓練的同時，分別采用了35%、50%以及75%的訓練集，對比了3種比例的訓練集的訓練效果以及預測效果.在對模型進行訓練時，主要可以分為兩個階段：隨機初始化參數(shù)和使用適應性矩估計(Adaptive Moment Estimation，Adam)優(yōu)化器進行優(yōu)化訓練.Adam是一種基于隨機梯度的優(yōu)化方法，與其他優(yōu)化方法相比，Adam算法收斂速度快，學習效果更為有效.此外，我們選擇了均方誤差函數(shù)(Mean Square Error，MSE)函數(shù)作為損失函數(shù)，通過該函數(shù)可以表示模型的訓練效果.圖5～圖7分別對應這3次實驗的預測結(jié)果，其中，實線代表了數(shù)據(jù)測試集的實際數(shù)據(jù)，虛線代表了訓練模型的預測數(shù)據(jù)集，采用以上3種比例的訓練集的損失分別為0.0007、0.00051和0.00092，所以本文算法模型最后選取了50%的數(shù)據(jù)作為訓練集.

圖5 仿真模型預測結(jié)果(35%)

圖6 仿真模型預測結(jié)果(50%)

圖7 仿真模型預測結(jié)果(75%)

我們將訓練集輸入模型，經(jīng)過多次的實驗與調(diào)試，最終將平均損失降低在0.0007左右，此外，LSTM模型的層數(shù)為1層，batch_size為48(每次向網(wǎng)絡(luò)中輸入48個樣本)，訓練次數(shù)(Epoch)為500.

3.3 結(jié)果分析

本文利用壓力測試工具siege模擬了100、500、1000、1500、2000、3000、4000、5000等不同請求數(shù)量的并發(fā)場景，分別對比了Nginx內(nèi)置的輪詢調(diào)度算法、加權(quán)輪詢調(diào)度算法、源地址散列調(diào)度算法以及本文提出的標識解析負載均衡(Identity Resolution Load Balancing, IRLB)算法，選擇了平均響應時間、吞吐率以及失敗次數(shù)這3個指標作為算法評估指標.

圖8展示了4種算法在不同并發(fā)請求數(shù)下的平均響應時間，從該圖的實驗結(jié)果可以看出在請求數(shù)量達到500之前，隨著請求數(shù)量的增加，源地址散列算法、輪詢算法以及加權(quán)輪詢算法的響應時間快速增長到1.2s上下，而本文而本論文提出的IRLB算法由于根據(jù)請求連接數(shù)、服務(wù)器的負載情況以及性能指標動態(tài)的調(diào)整了服務(wù)器的權(quán)重，平均響應時間只增長到0.5s左右.在請求數(shù)量達到500之后，由于處理了大量請求，性能有所下降，4種算法處理請求的平均響應時間都達到了峰值，但是IRLB算法的響應時間仍然比其他算法縮短了50%左右，這也論證了本算法在響應時間這一指標上優(yōu)于其他3種算法.

圖8 平均響應時間對比

吞吐率是指服務(wù)器單位時間內(nèi)可以處理的并發(fā)請求數(shù)量，在一定程度上也可以反應負載均衡算法的性能。圖9(第34頁)展示了4種算法在不同并發(fā)請求數(shù)下的吞吐率，從該圖的實驗結(jié)果可以看出，在100到5000的并發(fā)請求數(shù)量之間，各個算法的吞吐率總體保持穩(wěn)定。因為IRLB算法考慮了服務(wù)器實時的運行狀態(tài)，大大的提升了服務(wù)器的利用率，使得該算法的吞吐率相比于其他3種算法提升了30%左右。

圖9 吞吐率對比

失敗次數(shù)可以在一定程度上反應一個負載均衡算法的穩(wěn)定性，圖10(第34頁)展示了4種算法在不同并發(fā)請求數(shù)下的失敗次數(shù)，可以明顯看出隨著請求數(shù)量的繼續(xù)增加，輪詢算法以及加權(quán)輪詢算法都開始出現(xiàn)較多的失敗請求，最多可達100多次。源地址散列算法雖然也會出現(xiàn)失敗的請求次數(shù)，但是相對較少且比較穩(wěn)定。IRLB算法由于可以選取狀態(tài)最好的服務(wù)器來處理請求，所以請求失敗次數(shù)大部分時間均為零，只有少數(shù)時刻出現(xiàn)了失敗的情況，相比于其他3種算法完全可以忽略。因此，IRLB算法相比于其他的算法擁有更高的穩(wěn)定性。

圖10 失敗次數(shù)對比

4 結(jié) 語

本文針對當前工業(yè)互聯(lián)網(wǎng)二級節(jié)點服務(wù)廣泛部署、但性能優(yōu)化尚屬空白的問題，充分研究傳統(tǒng)的負載均衡算法，結(jié)合有效的深度學習算法，提出了一種基于LSTM的動態(tài)負載均衡方案，該方案綜合考慮了服務(wù)器的性能指標，實時負載信息以及服務(wù)器的流量突發(fā)性，解決了高并發(fā)請求給標識解析二級節(jié)點帶來的壓力，為用戶提供了更好的服務(wù)體驗.仿真實驗表明，相比于傳統(tǒng)的負載均衡方案，本文提出的負載均衡方案不僅提高了標識解析二級節(jié)點集群吞吐率和請求響應成功率，還大幅度縮短了并發(fā)請求的平均響應時間.未來的工作中將考慮從二級節(jié)點標識服務(wù)中提取出與標識相關(guān)的關(guān)鍵特征來優(yōu)化負載均衡算法.