摘 要：應用服務器高并發(fā)優(yōu)化技術主要使用DNS-Server配置域名解析IP，易受輪詢作用影響，導致服務器集群平均響應時間較長，因此，本文提出一種基于云計算的應用服務高并發(fā)優(yōu)化技術。該技術利用云計算技術優(yōu)化生成高并發(fā)應用服務器，將NodeJS作為編程語言，優(yōu)化單一架構，集成完成數(shù)據處理與資源配置任務。并考慮并發(fā)服務器節(jié)點負載均衡權重，預設初始并發(fā)節(jié)點，采用簡化方式優(yōu)化高并發(fā)技術，進行應用服務高并發(fā)優(yōu)化。試驗結果表明，該技術的服務器集群平均響應時間均值低于1.000s，證明高并發(fā)優(yōu)化技術有效提高了效率，具有高效性。

關鍵詞：云計算；應用服務；高并發(fā)

中圖分類號：TN 929" " 文獻標志碼：A

早期應用服務架構屬于單體架構，隨著信息技術進步和服務器涌入數(shù)據量增加，應用服務器架構逐漸向垂直架構轉變，整體規(guī)模越來越大，集群的復雜性越來越高[1]，在提高應用服務綜合性能的基礎上也出現(xiàn)了并發(fā)數(shù)據處理問題。高并發(fā)優(yōu)化技術可以調整服務器的數(shù)量，優(yōu)化服務器的運行性能，使其滿足平臺的應用要求，降低響應時間，提高并發(fā)數(shù)據的處理效率，因此，相關研究人員針對應用服務的處理耦合關系設計了2種常規(guī)的應用服務高并發(fā)優(yōu)化技術。第一種是基于MILP的應用服務器集群能耗與性能實時優(yōu)化[2]，主要采用線性加權法和主目標法優(yōu)化集群功率與請求丟棄率這2個目標，以此完成高并發(fā)優(yōu)化；第二種是考慮網格化優(yōu)勢的應用服務高并發(fā)優(yōu)化技術[3]，設計了Skyline優(yōu)化查詢方案，并進行網格化計算，完成應用服務高并發(fā)優(yōu)化。但大多數(shù)應用服務高并發(fā)優(yōu)化技術主要使用DNS-Server配置域名解析IP，易受輪詢作用影響，導致服務器集群平均響應時間較長，不符合應用服務的數(shù)據處理要求。因此，為了降低服務器集群平均響應時間，提高高并發(fā)優(yōu)化技術的應用效果，本文基于云計算，設計了一種應用服務高并發(fā)優(yōu)化技術。

1 應用服務云計算高并發(fā)優(yōu)化技術設計

1.1 基于云計算生成高并發(fā)應用服務器

云計算是一種分布式計算技術，可以將海量數(shù)據分解為若干個較小的數(shù)據處理程序，完成高效分布式并發(fā)計算，具有高效性優(yōu)勢[4]，因此，本文設計的高并發(fā)優(yōu)化技術引入云計算，利用云計算技術生成高并發(fā)應用服務器?；谠朴嬎阋?guī)劃高并發(fā)服務層次，如圖1所示。

由圖1可知，上述云計劃高并發(fā)服務層次由上而下分為應用層、平臺層、基礎設施層和虛擬化層[5]，各個層級分別對應軟件及服務、平臺及服務、基礎設施和服務以及硬件和服務。該云計劃高并發(fā)服務需要根據層次要求對并發(fā)資源進行虛擬化處理，生成可靠的高并發(fā)應用服務器，如圖2所示。

由圖2可知，云計算高并發(fā)服務器主要包括3層，即微服務治理層、微服務通信層以及微服務提供層[6]，不同層的業(yè)務功能不同，設置的并發(fā)處理任務也不同。本文設計的高并發(fā)優(yōu)化服務器將NodeJS作為編程語言，優(yōu)化升級原本的單一架構，集成完成數(shù)據處理與資源配置任務，提高了高并發(fā)優(yōu)化處理的可靠性。

微服務通信層屬于高并發(fā)應用服務器的核心層，可以利用消息機制封裝并發(fā)任務，使用輪詢平滑加權方案設計并發(fā)處理策略，完成并發(fā)處理任務。該層可處理微服務間的通信和數(shù)據交換，使用消息隊列、RPC調用和事件總線等機制進行微服務間的異步通信，同時能夠處理高并發(fā)的請求和響應。通過消息機制封裝并發(fā)任務，并采用輪詢平滑加權方案設計并發(fā)處理策略，優(yōu)化了并發(fā)處理效率，提高了系統(tǒng)的穩(wěn)定性和性能。微服務提供層可有效拆分并發(fā)處理任務，設置不同的任務邊界，準確優(yōu)化原有的并發(fā)處理代碼，可進行數(shù)據并發(fā)高效重構與云存儲處理。該層利用輕量級的通信機制進行各服務間的通信和協(xié)作，可以根據業(yè)務需求動態(tài)伸縮和部署。微服務治理層內部設置API網關、配置中心和負載均衡等功能，具體執(zhí)行時序如下所示。首先，對用戶發(fā)起的請求進行響應，傳輸至API網關，API網關是系統(tǒng)的入口，用于接收用戶請求并路由到相應的微服務。其次，進行短路驗證，如果驗證合格，就繼續(xù)進行熔斷服務；驗證不合格，則返回上述結果。最后，根據熔斷服務生成的結果完成其他并發(fā)任務，實時發(fā)送并行任務處理信息，保證最終的并發(fā)處理效率。

1.2 設計應用服務高并發(fā)優(yōu)化算法

為了滿足應用服務器的高并發(fā)處理要求，需要保證應用服務負載均衡，因此，本文在基于云計算生成高并發(fā)應用服務器基礎上，設計了應用服務器高并發(fā)優(yōu)化算法?？紤]并發(fā)服務器節(jié)點負載均衡權重[7]，將該權重初步優(yōu)化并預設初始的并發(fā)節(jié)點S，如公式（1）所示。

S=min{C（Si）/Csum}/W（Si） （1）

式中：C（Si）為并發(fā)服務/器節(jié)點；Csum為任務參數(shù)；W（Si）為負載均衡權重。

公式中的負載均衡權重如公式（2）所示。

（2）

式中：P（Si）為節(jié)點重要性評分。

此時假設不同的并發(fā)任務處于常規(guī)處理狀態(tài)，則可以對上述設置的并發(fā)節(jié)點進行簡化，以優(yōu)化應用服務高并發(fā)技術。簡化后的并發(fā)優(yōu)化節(jié)點如公式（3）所示。

S0=min{C（Si）/Csum}/W（Si） （3）

簡化后的并發(fā)優(yōu)化節(jié)點存在有效的連接范圍，此時不同高并發(fā)任務間存在一定的時序關系，因此需要計算服務器不同節(jié)點的負載狀態(tài)參數(shù)Ui，如公式（4）所示。

Ui=1000×（Wcpu·Ci+Wnet·Ni+Wio·Di+Wmem·Mi）αS0 （4）

式中：Wcpu為應用服務器CPU權重；Ci為CPU均衡系數(shù)；Wnet為內存均衡參數(shù)；Ni為內存性能參數(shù)；Wio為服務器存儲參數(shù)；Di為并發(fā)任務執(zhí)行指標；Wmem為帶寬調整權重；Mi為帶寬并行處理參數(shù)；α為轉換系數(shù)。

基于獲取的負載狀態(tài)對網絡進行優(yōu)化，使用負載均衡器將請求分發(fā)到多個節(jié)點上，進行請求任務分流，降低單個節(jié)點的負荷，使負載均衡[8]，生成的高并發(fā)優(yōu)化均衡函數(shù)如公式（5）所示。

（5）

式中：w1、w2和w3為對應的權重；T（Csum）為任務優(yōu)先級；T'為網絡條件；Uimax為節(jié)點負載最大值。

此時僅通過生成的高并發(fā)優(yōu)化均衡函數(shù)均衡應用服務高并發(fā)任務，無法達到最理想的效果。原因是此時的分配算法不能有效處理負載均衡中的請求異質性、機器異質性和實時機器負載差異性，因此，構建高并發(fā)優(yōu)化均衡函數(shù)后，需要構建隨機分配概率函數(shù)，將其與均衡函數(shù)結合，完成應用服務高并發(fā)優(yōu)化。計算服務器的資源剩余量如公式（6）所示。

Ai（Si）=W（Si）（1-PA） （6）

式中：Ai為資源剩余量；PA為當前機器的資源占用率。

利用剩余資源確定任務請求j分配到第i個服務器節(jié)點上的隨機概率權值，其計算過程如公式（7）所示。

（7）

式中：aj為任務請求j的資源消耗的權重值；Wij'為隨機概率權值。

確定隨機概率權值后，將其經過歸一化處理，得到任務請求j被分配到第i個服務器節(jié)點上的隨機概率，其計算過程如公式（8）所示。

（8）

式中：Pij為任務請求j被分配到第i個服務器節(jié)點上的隨機概率。

當客戶端發(fā)起任務請求時，根據公式（8）計算隨機概率，根據隨機概率值將任務請求隨機分配到某個機器上。如果僅隨機分配，應用服務高并發(fā)時仍可能存在負載過高的問題，從而影響使用效果[9]，因此將公式（5）的高并發(fā)優(yōu)化均衡和公式（8）的隨機概率聯(lián)立，所得應用服務高并發(fā)優(yōu)化算法NETusg如公式（9）所示。

（9）

式中：η為應用服務高并發(fā)優(yōu)化系數(shù)；Bandwidth為服務并發(fā)處理常數(shù)。

結合上述高并發(fā)優(yōu)化算法可以有效確定并發(fā)任務的傳輸狀態(tài)，最大程度上提高并發(fā)任務的執(zhí)行可靠性。至此完成基于云計算的應用服務高并發(fā)優(yōu)化技術設計。

2 試驗

為了驗證設計的基于云計算的應用服務高并發(fā)優(yōu)化技術的優(yōu)化效果，本文配置了基礎實驗平臺，將其與文獻[5]、文獻[6]中常規(guī)的應用服務高并發(fā)優(yōu)化技術進行比較。

2.1 試驗準備

結合應用服務高并發(fā)優(yōu)化要求，本文將Web虛擬平臺作為試驗平臺，搭建了相關的試驗資源。虛擬化處理目前的服務器集群，通過路由器、虛擬機等進行環(huán)境測試。預設的測試平臺共設置了10余個虛擬機，集成了編號為save1～save14的試驗服務器集群。虛擬機需要按照中心配置要求為API網關提供集成處理服務，調整服務提供層，使其滿足試驗Redis緩存要求。配置的云試驗環(huán)境如，圖3所示。

由圖3可知，該云試驗環(huán)境可以同時執(zhí)行用戶管理、消息管理和應用管理，由3臺虛擬機并行組成資源計算池，從而輸出準確的試驗結果。

2.2 試驗過程

在試驗過程中，根據1.2節(jié)設計的應用服務高并發(fā)優(yōu)化算法，對實驗平臺上的并發(fā)任務進行分配和優(yōu)化。具體步驟如下所示。1）初始化并發(fā)節(jié)點。根據公式（1）和公式（2），為每個并發(fā)服務器節(jié)點分配初始的負載均衡權重。該權重考慮了節(jié)點的重要性評分，確保了進行任務分配時能夠優(yōu)先考慮更重要的節(jié)點。2）計算負載狀態(tài)參數(shù)。利用公式（4）計算每個服務器節(jié)點的負載狀態(tài)參數(shù)。該參數(shù)綜合考慮了CPU權重、內存均衡參數(shù)、服務器存儲參數(shù)、并發(fā)任務執(zhí)行指標和帶寬調整權重等多個因素，為后續(xù)的負載均衡提供了依據。3）生成高并發(fā)優(yōu)化均衡函數(shù)。利用公式（5）生成高并發(fā)優(yōu)化均衡函數(shù)。該函數(shù)根據任務優(yōu)先級、網絡條件和節(jié)點負載最大值等因素，為每個任務請求分配相應的權重，以實現(xiàn)負載均衡。4）計算隨機概率權值。利用公式（6）和公式（7）計算每個服務器節(jié)點的資源剩余量和任務請求分配到該節(jié)點上的隨機概率權值。該權值根據節(jié)點的剩余資源和任務請求的資源消耗來確定，用于后續(xù)的隨機分配過程。5）隨機分配任務請求。根據公式（8）計算任務請求被分配到每個服務器節(jié)點上的隨機概率。當客戶端發(fā)起任務請求時，根據這些隨機概率值，將任務請求隨機分配到某個機器上。6）結合優(yōu)化均衡函數(shù)和隨機概率。將高并發(fā)優(yōu)化均衡函數(shù)（公式（5））和隨機概率（公式（8））聯(lián)立起來，得到最終的應用服務高并發(fā)優(yōu)化算法（公式（9））。綜合考慮了負載均衡和隨機分配的因素，能夠最大程度上提高并發(fā)任務的執(zhí)行可靠性。

按照上述步驟完成應用服務高并發(fā)優(yōu)化。

2.3 試驗參數(shù)設置

結合上述試驗環(huán)境，設置基于云計算的應用服務高并發(fā)優(yōu)化算法的參數(shù)，見表1。

根據表1中的算法參數(shù)取值，設置基于云計算的應用服務高并發(fā)優(yōu)化技術的參數(shù)數(shù)值，進而輸入相關試驗指令，得出最終試驗結果。

2.4 試驗結果與討論

根據上述試驗準備，分別使用本文設計的基于云計算的應用服務高并發(fā)優(yōu)化技術、文獻[5]的基于IntelDPDK的應用服務高并發(fā)優(yōu)化技術以及文獻[6]的考慮網格化優(yōu)勢的應用服務高并發(fā)優(yōu)化技術，記錄不同服務器集群的平均響應時間，見表2。

由表2可知，本文設計的基于云計算的應用服務高并發(fā)優(yōu)化技術在不同服務器集群下的平均響應時間較短，該技術的平均響應時均值僅為0.473s和0.433s，數(shù)值均低于1.000s，而文獻[5]和文獻[6]的方法在不同服務器集群下的平均響應時間較長，其均值均高于6.000s。證明本文設計的基于云計算的應用服務高并發(fā)優(yōu)化技術的優(yōu)化效果較好，有效降低了應用服務高并發(fā)優(yōu)化技術的平均響應時間，提高了效率，具有高效性。

3 結語

綜上所述，在信息技術普及背景下，我國正邁入大數(shù)據時代，各個領域產生的網絡數(shù)據總量急劇增長，并發(fā)數(shù)據的處理難度越來越高。研究表明，數(shù)據具有十分重要的價值，是國家發(fā)展的重要部分，海量數(shù)據處理問題逐漸受到各個國家的關注。應用服務高并發(fā)技術可以提高海量數(shù)據的處理效果，保證應用服務的高效性，因此需要設計一種有效的應用服務高并發(fā)優(yōu)化技術。但是常規(guī)的應用服務高并發(fā)優(yōu)化技術的優(yōu)化效果較差，因此，本文設計了一種基于云計算的應用服務高并發(fā)優(yōu)化技術。該技術引入了云計算，通過權重和簡化方式對進行了優(yōu)化，并通過試驗驗證了該方法的性能。結果表明，本文設計的應用服務高并發(fā)優(yōu)化技術的效果較好，能有效降低響應時間，具有高效性和一定的應用價值。

參考文獻

[1]高國弘，劉垚，馬力文，等.基于移動云計算技術的農用天氣預報服務平臺研發(fā)——以寧夏釀酒葡萄農事活動預報為例[J].中國農業(yè)氣象，2022，43（1）：61-71.

[2]熊智，趙敏，蔡浩，等.基于MILP的應用服務器集群能耗與性能實時優(yōu)化[J].湖南大學學報（自然科學版），2023，50（8）：153-164.

[3]李佳佺，劉晏如，李傳文.一種網格化高并發(fā)Skyline查詢處理方法[J].小型微型計算機系統(tǒng)，2023，44（4）：881-887.

[4]高若辰，淮曉永，張志達，等.面向云計算環(huán)境的OpenFOAM網格生成服務[J].電子技術應用，2022，48（4）：71-75.

[5]秦川.云計算技術在計算機數(shù)據處理中的應用——評《基于云計算的大數(shù)據處理技術發(fā)展與應用》[J].科技管理研究，2021，41（2）：232.

[6]李邦源，張春輝，常榮，等.5G邊緣計算環(huán)境下資源效用與隱私保護權衡的服務遷移方法[J].南京師大學報（自然科學版），2021，44（4）：102-110.

[7]李華東，張學亮，王曉磊，等.Kubernetes集群中多節(jié)點合作博弈負載均衡策略[J].西安電子科技大學學報，2021，48（6）：16-22，122.

[8]翁杰，林兵，陳星.基于博弈論的多邊緣服務器負載均衡策略[J].計算機科學，2023，50（2）：742-749.

[9]田真真，蔣維，鄭炳旭，等.基于服務器集群的負載均衡優(yōu)化調度算法[J].計算機科學，2022，49（1）：639-644.