视频云平台负载均衡方法及视频云平台负载均衡调度器的制造方法
【技术领域】
[0001] 本发明涉及视频云平台技术，特别涉及一种视频云平台负载均衡方法及视频云平 台负载均衡调度器。
【背景技术】
[0002] 随着互联网的兴起，特别是近些年移动互联网的蓬勃发展，人们对视频流媒体需 求量大幅度增加，其技术也迅速发展。视频流媒体较普通的文本数据来说，有流量大、带宽 要求高、实时性要求高等特点，流媒体服务器常常会遇到负载压力大反应慢等问题。构建视 频云平台，并执行相应的负载均衡调度是解决这个问题的常见方法。由于所述视频流媒体 的特殊性，传统的负载均衡技术无法实现好的负载均衡效果。传统负载均衡存在的问题，主 要有:静态负载均衡算法，简单易实现，但是负载效果往往不好，极易发生集群倾斜问题;而 完全动态的负载均衡算法，相对静态负载方法而言负载效果有小幅提升，但是实现相对复 杂，并且已有的动态负载均衡算法考虑负载信息过于单一，同时频繁的信息动态采集容易 成为整个系统新的瓶颈。
【发明内容】
[0003] 本发明解决的问题是提供了一种视频云平台负载均衡方法及视频云平台负载均 衡调度器，以解决现有技术中视频流媒体的高并发大流量下服务器负载压力大反应慢的技 术问题。
[0004] 为解决上述问题，本发明实施例提供了一种视频云平台负载均衡方法，包括：
[0005] 获取各视频服务器节点当前时刻的自身瞬时负载状态，并计算各节点的瞬时负载 值；
[0006] 针对已存储的各服务器节点的历史负载大数据信息，从而得到历史负载参考值；
[0007] 依据所述瞬时负载值和历史负载参考值计算综合负载值；
[0008] 设置负载等级阈值，根据综合负载值和负载等级阈值确定各服务器节点等级。
[0009] 可选地，还包括：
[0010]确认负载等级为最轻并存在服务器节点的等级为最优负载等级，轮询并确定最优 负载等级的服务器节点集合；
[0011]在最优负载等级的服务器节点集合里执行循环轮叫负载调度。
[0012] 可选地，针对存储的历史各服务器节点的负载大数据信息，进行实时分布式计算 得到历史负载参考值。
[0013] 可选地，采用粗糙集理论中的乘积平法进行加权，获取瞬时负载值。
[0014] 可选地，执行循环轮叫调度，以轮询的方式依次将所有负载请求调度给所有视频 服务器节点。
[0015] 本发明还提供了一种视频云平台负载均衡调度器，包括:瞬时负载值获取单元、历 史负载参考值获取单元、综合负载值获取单元、服务器节点等级获取单元；
[0016] 瞬时负载值获取单元获取各视频服务器节点当前时刻的自身瞬时负载状态，并计 算各节点的瞬时负载值；
[0017] 历史负载参考值获取单元根据已存储的各服务器节点的历史负载大数据信息，从 而得到历史负载参考值；
[0018] 综合负载值获取单元从瞬时负载值获取单元、历史负载参考值获取单元获取瞬时 负载值和历史负载参考值，依据所述瞬时负载值和历史负载参考值计算综合负载值；
[0019] 服务器节点等级获取单元设置有负载等级阈值，根据综合负载值和负载等级阈值 确定各服务器节点等级。
[0020] 可选地，还包括:最优服务器集合确定单元，确认负载等级为最轻并存在服务器节 点的等级为最优负载等级，轮询并确定最优负载等级的服务器节点集合。
[0021] 可选地，还包括:调度单元，在最优负载等级的服务器节点集合里执行循环轮叫负 载调度。
[0022] 可选地，针对存储的历史各服务器节点的负载大数据信息，进行实时分布式计算 得到历史负载参考值。
[0023]可选地，采用粗糙集理论中的乘积平法进行加权，获取瞬时负载值。
[0024] 与现有技术相比，本技术方案具有以下优点：
[0025] 本发明实施例，负载均衡调度器获取集群中服务器节点当前的负载状态并计算其 瞬时负载和对各节点历史负载大数据信息分布式实时计算其历史负载参考值，从而进一步 得到各服务器节点的综合负载值。根据粗糙集理论确定负载等级，并根据确定的负载等级， 确定最优负载等级，并在最优的负载等级中服务器节点集合中执行循环轮叫负载调度，从 而提高了视频云平台的负载均衡的效果。
【附图说明】
[0026] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述 中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些 实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些 附图获得其他的附图。
[0027] 图1是本发明实施例提供的一种视频云平台负载均衡方法的流程图；
[0028] 图2是本发明实施例提供的服务器节点综合负载值的计算方法的流程示意图。
【具体实施方式】
[0029] 发明人经过研究还发现，在现有的集群中服务器节点所采集的瞬时负载数据可能 不准确，因为服务器节点可能存在其性能参数异常抖动的情况;同时，服务器节点将自身的 负载状态信息发送至负载均衡调度器过程中可能存在网络环境不佳从而导致数据包延迟 甚至丢失的情况。为此，本发明实施例提供了一种视频云平台负载均衡方法及视频云平台 负载均衡调度器，能有效提高视频云平台的负载均衡的效果。
[0030] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。
[0031] 为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
[0032] 如图1所示为本发明实施例提供的一种基于大数据与粗糙集结合的视频云平台负 载均衡方法的流程图，所述方法包括以下步骤：
[0033]步骤S101，采集视频服务器节点自身的负载状态。
[0034]在本发明实施例中，集群中的视频服务器节点周期性采集当前时刻自身的负载状 态，并通过指定的数据接口的形式发送给负载均衡调度器，负载均衡调度器收集并计算服 务器节点的瞬时负载状态，其中，瞬时负载状态包括但不限于CPU使用率、内存使用率、磁盘 使用率、连接数和响应时间。
[0035] 步骤S102包括两个步骤，分别为S1021和S1022,具体如下：
[0036]步骤S1021，负载均衡调度器获取、计算并存储各视频服务器节点的瞬时负载状 ??τ 〇
[0037] 由于实际应用中任一服务器的任何一项资源（CTU、内存、硬盘、连接数和反应时 间）超过一定的阈值后都无法接入新的请求，故本发明采用粗糙集理论中的乘积平法进行 加权，公式请参考图2的步骤S201，如下：
[0038] 瞬时负载值=W* (1 -Acpu*C) * (1 -Xmemciry*M)
[0039] *(l-Adisk*D)*(l-ACQn*Con)
[0040] *( l-Atime^time)
[0041 ]各项指标与服务器节点负载水平成正比，因此各项指标对于负载状态的影响的方 向是一致的，同时，为了体现各项指标对于负载状态的影响程度，本发明为每一项指标赋予 一个权重系数，系数越大，影响越大。公式中的W为服务器节点的初始权重大小，P为CPU使用 率，Μ为内存使用率，D为硬盘使用率，C为节点连接数，T为反应时间。其中各项指标的权重系 数满足
[0042] Xcpu+^nemory+^disk+^con+^time- 1
[0043] 步骤S1022,针对存储的历史各服务器节点的负载大数据信息，根据图2的S202中 的公式进行分布式实时计算得到历史负载参考值；
[0044]在本发明实施例中，需要进行实时分布式计算得到历史负载参考值，具体公式请 参考图2的步骤S202,如下： 「00451
[0046]具体指标包括CPU平均使用率F、内存平均使用率Μ、硬盘平均使用率5..、平均连 接数G和平均响应时间Τ。同时，考虑单位时间服务器节点故障次数、异常数据比例和丢包 率。同理，为了体现各项指标对于负载状态的影响程度，
[0047] 本发明为每一项指标赋予一个权重系数，系数越大，影响越大，需满足：
[0048] Xcpu+^nemory+^disk+^con+^time- 1
[0049] a+b+c+d = 1
[0050] 步骤S103,根据所述的服务器节点的瞬时负载值和历史负载参考值计算综合负载 值。
[0051] 在本发明实施例中，根据所述的瞬时负载值和历史负载参考值的两个维度性能指 标，利用图2的S203中的公式计算各服务器节点的综合负载值，综合负载值=α*瞬时负载值 +β*历史负载参考值，
[0052] 其中 α+β=1
[0053] 步骤S104,设置各负载等级阈值，根据综合负载值和负载等级阈值确定