负载均衡路由分析方法及负载均衡路由分析器与流程

本发明涉及通信技术领域，特别涉及一种负载均衡路由分析方法及负载均衡路由分析器。

背景技术：

目前，移动网络及业务链已成为全球运营商发展的重要趋势，移动网络及业务链已被业界普遍认定为下一代电信网络发展的主要方向。一个完整的端到端网络业务流程，一般由多个不同的网络业务功能依特定流程结构组合而成，即业务链。当前，移动网络及业务链已经成为全球政府或企业产业界公认的发展重点，国际和国内的通信产业巨头加快技术研发、企业转型和联盟合作以抢占移动网络及业务链发展的主导权和新兴市场空间。这种情况下，面对日益迫切的移动网络及业务链发展需求，基于移动网络的业务链编排与组织负载均衡系统对于移动网络及业务链的迅速持续发展具有重要意义。

现有技术中，随着移动网络及业务链应用业务的快速增长，伴之产生的业务拥塞度高、负载失衡等问题日益突出。现有业务链系统存在静态非实时且缺乏网络控制的缺陷，且未充分考虑到业务链系统的业务拥塞度高、负载失衡等方面问题。

技术实现要素：

本发明提供一种负载均衡路由分析方法及负载均衡路由分析器，用于实现业务链的负载均衡，优化业务链的拥塞度和最大链路利用率。

为实现上述目的，本发明提供了一种负载均衡路由分析方法，该负载均衡路由分析方法包括：

步骤s1、获取各负载均衡策略的负载均衡信息矩阵，所述负载均衡信息矩阵包括当前业务链路的拥塞度和当前最大链路利用率；

步骤s2、根据各负载均衡信息矩阵中的当前业务链路的拥塞度和当前最大链路利用率确定出最优负载均衡信息矩阵；

步骤s3、输出所述最优负载均衡信息矩阵。

可选地，步骤s2包括：

步骤s201、根据各负载均衡信息矩阵中的当前业务链路的拥塞度和当前最大链路利用率生成各负载均衡信息矩阵的当前的判断参量；

步骤s202、对比各负载均衡信息矩阵的当前的判断参量，确定出当前具有最小判断参量的负载均衡信息矩阵；

步骤s203、根据当前具有最小判断参量的负载均衡信息矩阵的当前业务链路的拥塞度和当前最大链路利用率生成当前具有最小判断参量的负载均衡信息矩阵的评价值和评价参考值；

步骤s204、判断所述评价值是否小于或等于所述评价参考值，若否，执行步骤s205，若是，执行步骤s207；

步骤s205、根据各负载均衡信息矩阵的当前业务链路的拥塞度和当前最大链路利用率生成各负载均衡信息矩阵的迭代后的业务链路的拥塞度和最大链路利用率；

步骤s206、以各负载均衡信息矩阵的迭代后的业务链路的拥塞度作为当前业务链路的拥塞度，并以各负载均衡信息矩阵的迭代后的最大链路利用率作为当前最大链路利用率，执行步骤s201；

步骤s207、确定当前具有最小判断参量的负载均衡信息矩阵为最优负载均衡信息矩阵并执行步骤s3。

可选地，步骤s201之前还包括：设置迭代初始参数k＝0；

步骤s201包括：

步骤s201a、将当前迭代次数k进行加1处理；

步骤s201b、根据当前业务链路的拥塞度和当前最大链路利用率生成当前复合向量，当前复合向量为其中，表示当前业务链路的拥塞度，表示当前最大链路利用率，k表示当前迭代次数，k∈[1，d]，d为预设阈值，i表示负载均衡信息矩阵的行数，j表示负载均衡信息矩阵的列数；

步骤201c、根据当前复合向量确定出当前复合向量的最大值和当前复合向量的最小值；

步骤s201d、将当前当前复合向量、当前复合向量的最大值和当前复合向量的最小值代入判断参量公式：计算出各负载均衡信息矩阵当前的判断参量；

其中，z^k表示负载均衡信息矩阵当前的判断参量，m、n表示调节常数，σ、χ表示调节因子，σ、χ∈(0，1)且σ+χ＝1，m^ming表示当前复合向量的最小值，m^maxg表示当前复合向量的最大值。

可选地，步骤s203包括：

步骤s203a、根据各负载均衡信息矩阵的当前业务链路的拥塞度和当前最大链路利用率确定出当前业务链路的拥塞度的最大值j^maxg和最小值j^ming以及当前最大链路利用率的最大值r^maxg和最小值r^ming；

步骤s203b、根据迭代评价值函数：

将当前具有最小判断参量的负载均衡信息矩阵的当前业务链路的拥塞度、当前最大链路利用率及当前业务链路的拥塞度的最大值j^maxg和最小值j^ming以及当前最大链路利用率的最大值r^maxg和最小值r^ming代入迭代评价值函数，求得当前具有最小判断参量的负载均衡信息矩阵的评价值；其中，θ^k表示当前具有最小判断参量的负载均衡信息矩阵的评价值，表示当前具有最小判断参量的负载均衡信息矩阵的当前业务链路的拥塞度的期望值，表示当前具有最小判断参量的负载均衡信息矩阵的当前最大链路利用率的期望值，α、β、γ、δ表示调节因子，α、β、γ、δ∈(0，1)且α+β+γ+δ＝1；

步骤s203c、根据当前具有最小判断参量的负载均衡信息矩阵的当前业务链路的拥塞度和当前最大链路利用率生成当前具有最小判断参量的负载均衡信息矩阵的复合向量；

步骤s203d、根据当前具有最小判断参量的负载均衡信息矩阵的复合向量确定当前具有最小判断参量的负载均衡信息矩阵的复合向量的最大值m^maxk和最小值m^mink；

步骤s203e、根据迭代评价参考值函数：将当前具有最小判断参量的负载均衡信息矩阵的复合向量的最大值m^maxk和最小值m^mink代入迭代评价参考值函数，求得当前具有最小判断参量的负载均衡信息矩阵的评价参考值；其中，d(|m^maxk-m^mink|²)表示当前具有最小判断参量的负载均衡信息矩阵的复合向量的最大值m^maxk和最小值m^mink的差的平方值的方差，表示当前具有最小判断参量的负载均衡信息矩阵的评价参考值。

可选地，步骤s204包括：

步骤s204a、将步骤s203获得的所述评价值和评价参考值代入迭代评价条件：判断所述评价值和评价参考值是否满足所述迭代评价条件，若满足，执行步骤s207，若不满足，执行步骤s205。

可选地，步骤s205包括：

步骤s205a、将当前复合向量和当前迭代次数k代入公式：计算出第k+1次迭代时各负载均衡信息矩阵的高斯变异因子；其中，表示第k+1次迭代时计算出的负载均衡信息矩阵的高斯变异因子，表示第k+1次迭代时的高斯变异函数；

步骤s205b、将当前迭代次数k代入公式：s^k+1＝(k+1)×s^kmod(k)，计算出第k+1次迭代时的随机数；其中，s^k表示第k次迭代时采用乘同取余法计算出各负载均衡信息矩阵的随机数，s^k+1表示第k+1次迭代时采用乘同取余法计算出的随机数，mod(k)表示取余运算；

步骤s205c、将当前复合向量第k+1次迭代时的高斯变异因子和第k+1次迭代时的随机数s^k+1代入公式：计算出第k+1次迭代时各负载均衡信息矩阵的复合向量；

步骤s205d、根据第k+1次迭代时各负载均衡信息矩阵的复合向量确定出第k+1次迭代时各负载均衡信息矩阵的业务链路的拥塞度和最大链路利用率。

可选地，步骤s206包括：

步骤s206a、以第k+1次迭代时各负载均衡信息矩阵的业务链路的拥塞度作为各负载均衡信息矩阵的当前的业务链路的拥塞度，并以第k+1次迭代时各负载均衡信息矩阵的最大链路利用率作为各负载均衡信息矩阵的当前最大链路利用率，执行步骤s201。

可选地，步骤s205之后还包括：

步骤s205e、判断当前迭代次数k的值是否大于预设阈值，若是，执行步骤s205f，若否，执行步骤s206；

步骤s205f、输出当前具有最小判断参量的负载均衡信息矩阵。

为实现上述目的，本发明提供了一种负载均衡路由分析器，该负载均衡路由分析器包括：

获取模块，用于获取各负载均衡策略的负载均衡信息矩阵，所述负载均衡信息矩阵包括当前业务链路的拥塞度和当前最大链路利用率；

确定模块，用于根据各负载均衡信息矩阵中的当前业务链路的拥塞度和当前最大链路利用率确定出最优负载均衡信息矩阵；

输出模块，用于输出所述最优负载均衡信息矩阵。

本发明的有益效果：

本发明提供的负载均衡路由分析方法及负载均衡路由分析器的技术方案中，根据各负载均衡信息矩阵中的当前业务链路的拥塞度和当前最大链路利用率确定出最优负载均衡信息矩阵，从而确定出与最优负载均衡信息矩阵对应的最优的负载均衡策略，从而实现了业务链的负载均衡，优化了业务链的拥塞度和最大链路利用率。

附图说明

图1为本发明实施例一提供的一种负载均衡路由分析方法的流程图；

图2为本发明实施例二提供的一种负载均衡路由分析方法的流程图；

图3为本发明实施例三提供的负载均衡路由分析器的应用示意图。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的负载均衡路由分析方法及负载均衡路由分析器进行详细描述。

图1为本发明实施例一提供的一种负载均衡路由分析方法的流程图，如图1所示，该负载均衡路由分析方法包括：

步骤s1、获取各负载均衡策略的负载均衡信息矩阵，所述负载均衡信息矩阵包括当前业务链路的拥塞度和当前最大链路利用率。

步骤s2、根据各负载均衡信息矩阵中的当前业务链路的拥塞度和当前最大链路利用率确定出最优负载均衡信息矩阵。

负载均衡信息矩阵对应于负载均衡策略，因此确定了最优负载均衡信息矩阵即可确定最优负载均衡策略。

步骤s3、输出最优负载均衡信息矩阵。

本实施例所提供的负载均衡路由分析方法，根据各负载均衡信息矩阵中的当前业务链路的拥塞度和当前最大链路利用率确定出最优负载均衡信息矩阵，从而确定出与最优负载均衡信息矩阵对应的最优的负载均衡策略，从而实现了业务链的负载均衡，优化了业务链的拥塞度和最大链路利用率。

图2为本发明实施例二提供的一种负载均衡路由分析方法的流程图，如图2所示，该负载均衡路由分析方法包括：

步骤s201、获取业务链编排请求。

具体地，本实施例中，业务链编排请求可以通过客户端每个预置时间主动上报获取，或者通过客户端定期被询问机制询问获取，获取业务链编排请求后，将业务链编排请求汇总。

步骤s202、根据业务链编排请求对业务链进行负载均衡，生成负载均衡信息，负载均衡信息包括初始的业务链路的拥塞度和初始的最大链路利用率。

具体地，以不同的负载均衡策略对业务链进行负载均衡，生成各负载均衡策略的负载均衡信息。本实施例中，业务链编排请求的数量为多个，因此，各负载均衡策略的负载均衡信息的数量也为多个。

步骤203、根据各负载均衡策略的各负载均衡信息，生成各负载均衡策略的负载均衡信息矩阵。

换言之，各负载均衡策略的各负载均衡信息以矩阵形式存在，负载均衡信息矩阵的第i行第j列表示一个负载均衡信息，对应于一个业务链编排请求。其中，i为负载均衡信息矩阵的行数，j为负载均衡信息矩阵的列数。

步骤s204、获取各负载均衡策略的负载均衡信息矩阵，负载均衡信息矩阵包括当前业务链路的拥塞度和当前最大链路利用率。

优选地，当前业务链路的拥塞度和当前最大链路利用率的数量均为多个。

步骤s205、建立迭代模型，所述迭代模型包括：

迭代评价值函数：

迭代评价参考值函数：

迭代评价条件：

判断参量：

其中，s^k+1＝(k+1)×s^kmod(k)，k表示迭代次数，k∈[1，d]，d为预设阈值，θ^k表示第k次迭代时计算出的负载均衡信息矩阵的评价值，表示第k次迭代时计算出的负载均衡信息矩阵的评价参考值，表示第k次迭代时计算出的业务链路的拥塞度，表示第k次迭代时计算出的最大链路利用率，表示第k次迭代时计算出的负载均衡信息矩阵的复合向量，表示第k+1次迭代时计算出的负载均衡信息矩阵的复合向量，表示第k+1次迭代时计算出的高斯变异因子，s^k表示第k次迭代时采用乘同取余法计算出各负载均衡信息矩阵的随机数，s^k+1表示第k+1次迭代时采用乘同取余法计算出的随机数，mod(k)表示取余运算，m^ming表示第k次迭代时计算出的复合向量的最小值，m^maxg表示第k次迭代时计算出的复合向量的最大值，j^maxg表示第k次迭代时计算出的业务链路的拥塞度的最大值，jming表示第k次迭代时计算出的业务链路的拥塞度的最小值，r^maxg表示第k次迭代时计算出的最大链路利用率的最大值，r^ming表示第k次迭代时计算出的最大链路利用率的最小值，表示第k次迭代时计算出的业务链路的拥塞度的期望值，表示第k次迭代时计算出的最大链路利用率的期望值，m^maxk表示第k次迭代时计算出的具有最小判断参量的负载均衡信息矩阵的复合向量的最大值，m^mink表示第k次迭代时计算出的具有最小判断参量的负载均衡信息矩阵的复合向量的最小值，d(|m^maxk-m^mink|²)表示第k次迭代时计算出的具有最小判断参量的负载均衡信息矩阵的复合向量的最大值和最小值的差的平方值的方差，表示第k+1次迭代时的高斯变异函数，m、n表示调节常数，σ、χ表示调节因子，σ、χ∈(0，1)且σ+χ＝1，α、β、γ、δ表示调节因子，α、β、γ、δ∈(0，1)且α+β+γ+δ＝1，i表示负载均衡信息矩阵的行数，i＝0，1，2，...，m，j表示负载均衡信息矩阵的列数，j＝0，1，2，，n，z^k表示第k次迭代时计算出的负载均衡信息矩阵的判断参量。

步骤s206、设置迭代初始参数k＝0。

步骤s207、将当前迭代次数k进行加1处理。

步骤s208、根据各负载均衡信息矩阵中的当前业务链路的拥塞度和当前最大链路利用率生成各负载均衡信息矩阵的当前的判断参量。

k＝1时，负载均衡信息矩阵中的初始的业务链路的拥塞度即为负载均衡信息矩阵中的当前业务链路的拥塞度，初始的最大链路利用率即为当前最大链路利用率。需要说明的是，之后的每次迭代后，各负载均衡信息矩阵的当前业务链路的拥塞度和当前最大链路利用率均会发生变化，例如，k＝2时，则以第2次迭代时计算出的业务链路的拥塞度和最大链路利用率分别作为当前业务链路的拥塞度和当前最大链路利用率进行输入执行步骤s208。以此类推，此处不再一一列举。

具体地，步骤s208包括：

步骤s208a、根据当前业务链路的拥塞度和当前最大链路利用率生成当前复合向量，当前复合向量为

其中，表示当前业务链路的拥塞度，表示当前最大链路利用率，k表示当前迭代次数，k∈[1，d]，d为预设阈值，i表示负载均衡信息矩阵的行数，j表示负载均衡信息矩阵的列数。换言之，表示第k次迭代中，位于负载均衡信息矩阵中的第i行第j列的业务链路的拥塞度。

步骤s208b、根据当前复合向量确定出当前复合向量的最大值和当前复合向量的最小值。

步骤s208c、将当前当前复合向量、当前复合向量的最大值和当前复合向量的最小值代入判断参量公式：计算出各负载均衡信息矩阵当前的判断参量。

其中，z^k表示负载均衡信息矩阵当前的判断参量，m、n表示调节常数，σ、χ表示调节因子，σ、χ∈(0，1)且σ+χ＝1，m^ming表示当前复合向量的最小值，m^maxg表示当前复合向量的最大值。

步骤s209、对比各负载均衡信息矩阵的当前的判断参量，确定出当前具有最小判断参量的负载均衡信息矩阵。

具体地，根据判断参量公式：计算出各负载均衡信息矩阵的当前的判断参量后，通过对比各负载均衡信息矩阵的当前的判断参量即z^k的值的大小，确定出当前具有最小的判断参量z^k的值的负载均衡信息矩阵。

步骤s210、根据当前具有最小判断参量的负载均衡信息矩阵的当前业务链路的拥塞度和当前最大链路利用率生成当前具有最小判断参量的负载均衡信息矩阵的评价值和评价参考值。

具体地，步骤s210包括：

步骤s210a、根据各负载均衡信息矩阵的当前业务链路的拥塞度和当前最大链路利用率确定出当前业务链路的拥塞度的最大值j^maxg和最小值j^ming以及当前最大链路利用率的最大值r^maxg和最小值r^ming。

步骤s210b、根据迭代评价值函数：

将当前具有最小判断参量的负载均衡信息矩阵的当前业务链路的拥塞度、当前最大链路利用率及当前业务链路的拥塞度的最大值j^maxg和最小值j^ming以及当前最大链路利用率的最大值r^maxg和最小值r^ming代入迭代评价值函数，求得当前具有最小判断参量的负载均衡信息矩阵的评价值。

其中，θ^k表示当前具有最小判断参量的负载均衡信息矩阵的评价值，表示当前具有最小判断参量的负载均衡信息矩阵的当前业务链路的拥塞度的期望值，表示当前具有最小判断参量的负载均衡信息矩阵的当前最大链路利用率的期望值，α、β、γ、δ表示调节因子，α、β、γ、δ∈(0，1)且α+β+γ+δ＝1；

步骤s210c、根据当前具有最小判断参量的负载均衡信息矩阵的当前业务链路的拥塞度和当前最大链路利用率生成当前具有最小判断参量的负载均衡信息矩阵的复合向量。

步骤s210d、根据当前具有最小判断参量的负载均衡信息矩阵的复合向量确定当前具有最小判断参量的负载均衡信息矩阵的复合向量的最大值m^maxk和最小值m^mink。

步骤s210e、根据迭代评价参考值函数：将当前具有最小判断参量的负载均衡信息矩阵的复合向量的最大值m^maxk和最小值m^mink代入迭代评价参考值函数，求得当前具有最小判断参量的负载均衡信息矩阵的评价参考值。

其中，d(|m^maxk-m^mink|²)表示当前具有最小判断参量的负载均衡信息矩阵的复合向量的最大值m^maxk和最小值m^mink的差的平方值的方差，表示当前具有最小判断参量的负载均衡信息矩阵的评价参考值。

步骤s211、判断评价值是否小于或等于评价参考值，若否，执行步骤s212，若是，执行步骤s216；

具体地，将步骤s210获得的评价值和评价参考值代入迭代评价条件：判断评价值和评价参考值是否满足迭代评价条件，若满足，执行步骤s216，若不满足，执行步骤s212。

步骤s212、根据各负载均衡信息矩阵的当前业务链路的拥塞度和当前最大链路利用率生成各负载均衡信息矩阵的迭代后的业务链路的拥塞度和最大链路利用率。

具体地，步骤s212包括：

步骤s212a、将当前复合向量和当前迭代次数k代入公式：计算出第k+1次迭代时各负载均衡信息矩阵的高斯变异因子。

其中，表示第k+1次迭代时计算出的负载均衡信息矩阵的高斯变异因子，表示第k+1次迭代时的高斯变异函数。

步骤s212b、将当前迭代次数k代入公式：s^k+1＝(k+1)×s^kmod(k)，计算出第k+1次迭代时的随机数。

其中，s^k表示第k次迭代时采用乘同取余法计算出各负载均衡信息矩阵的随机数，s^k+1表示第k+1次迭代时采用乘同取余法计算出的随机数，mod(k)表示取余运算。当k＝1时，s^k取预设默认值。

步骤s212c、将当前复合向量第k+1次迭代时的高斯变异因子和第k+1次迭代时的随机数s^k+1代入公式：计算出第k+1次迭代时各负载均衡信息矩阵的复合向量。

步骤s212d、根据第k+1次迭代时各负载均衡信息矩阵的复合向量确定出第k+1次迭代时各负载均衡信息矩阵的业务链路的拥塞度和最大链路利用率。

由于因此，第k+1次迭代时各负载均衡信息矩阵的业务链路的拥塞度是可确定的，第k+1次迭代时各负载均衡信息矩阵的最大链路利用率也是可确定的。其中，第k+1次迭代时各负载均衡信息矩阵的业务链路的拥塞度和最大链路利用率即为各负载均衡信息矩阵的迭代后的业务链路的拥塞度和最大链路利用率。

步骤213、判断当前迭代次数k的值是否大于预设阈值，若是，执行步骤214，若否，执行步骤215。

步骤214、输出当前具有最小判断参量的负载均衡信息矩阵。

步骤s215、以各负载均衡信息矩阵的迭代后的业务链路的拥塞度作为当前业务链路的拥塞度，并以各负载均衡信息矩阵的迭代后的最大链路利用率作为当前最大链路利用率，执行步骤207。

具体地，以第k+1次迭代时各负载均衡信息矩阵的业务链路的拥塞度作为各负载均衡信息矩阵的当前的业务链路的拥塞度，并以第k+1次迭代时各负载均衡信息矩阵的最大链路利用率作为各负载均衡信息矩阵的当前最大链路利用率，执行步骤s207。

步骤s216、确定当前具有最小判断参量的负载均衡信息矩阵为最优负载均衡信息矩阵。

步骤s217、输出所述最优负载均衡信息矩阵。

确定最优负载均衡信息矩阵，从而确定最优负载均衡策略，从而优化了业务链的拥塞度和最大链路利用率。

需要说明的是，本实施例中，全文所出现的“当前”一词也可以理解为“第k次迭代时”，也就是说，全文中所出现的诸如“当前业务链路的拥塞度”、“当前最大链路利用率”、“当前复合向量”及“当前具有最小判断参量的负载均衡信息矩阵的评价值和评价参考值”中的“当前”是表示“第k次迭代时”，因此，在计算当前的这些量时均是以第k次迭代时计算出的量对应代入求得。

本实施例中，通过对业务编排请求进行判断，并对需要分析的业务链编排请求进行负载均衡路由分析，因此各业务编排请求具有不同优先等级。具体地，当接收到业务编排请求后通过不同的负载均衡策略对业务链进行负载均衡，得到负载均衡信息矩阵，再通过本实施例中的迭代模型进行对该负载均衡信息矩阵进行路由分析，从而确定出最优的负载均衡信息矩阵对应的最优负载均衡策略，最后输出该最优的负载均衡信息矩阵及其对应的负载均衡策略。本实施例中的迭代模型，利用了生物领域的迭代种群迁移负载均衡及智能学习思想，综合了多目标优化负载均衡、概率论、博弈论、图论、几何学、统计学、生物学、运筹学、随机过程、智能优化等理论，实现了负载均衡路由分析的拥塞度低、负载均衡的优势。

本实施例所提供的负载均衡路由分析方法，根据各负载均衡信息矩阵中的当前业务链路的拥塞度和当前最大链路利用率确定出最优负载均衡信息矩阵，从而确定出与最优负载均衡信息矩阵对应的最优的负载均衡策略，从而实现了业务链的负载均衡，优化了业务链的拥塞度和最大链路利用率。

本发明实施例二提供了一种负载均衡路由分析器，该负载均衡路由分析器包括：获取模块，用于获取各负载均衡策略的负载均衡信息矩阵，所述负载均衡信息矩阵包括当前业务链路的拥塞度和当前最大链路利用率；确定模块，用于根据各负载均衡信息矩阵中的当前业务链路的拥塞度和当前最大链路利用率确定出最优负载均衡信息矩阵；输出模块，用于输出所述最优负载均衡信息矩阵。

本实施例所提供的负载均衡路由分析器，用于实现上述实施例一提供的负载均衡路由分析方法，具体描述可参见上述实施例一，此处不再展开赘述。

图3为本发明实施例二提供的负载均衡路由分析器的应用示意图，如图3所示，当负载均衡路由分析器接收到m个业务编排请求后，对每个业务编排请求通过不同负载均衡策略对业务链进行负载均衡，得到负载均衡信息，根据各负载均衡信息生成负载均衡信息矩阵，根据负载均衡信息矩阵中的当前业务链路的拥塞度和最大链路利用率确定出最优负载均衡信息矩阵，从而确定出与最优负载均衡信息矩阵对应的最优负载均衡策略，最后得出各业务链编排请求最后的分析结果，分析结果同样为m个。其中，各业务链编排请求相互独立互不干扰，m为设定数量。

本实施例所提供的负载均衡路由分析器，根据各负载均衡信息矩阵中的当前业务链路的拥塞度和当前最大链路利用率确定出最优负载均衡信息矩阵，从而确定出最优负载均衡策略，实现了业务链的负载均衡，优化了业务链的拥塞度和最大链路利用率。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。