云环境下基于AI知识分析的负载均衡方法

针对云计算环境下传统负载均衡方法难以对蕴含在历史数据中的流量信息进行知识分析与智能利用问题，提出一种基于AI知识分析的云平台负载智能均衡方法LSTM-TD3 (Long Short Term Memory and Twin Delayed Deep Deterministic policy gradient algorithm)。LSTM-TD3以资源利用率、服务器连接数、响应时间、请求历史数据等为知识参数输入，首先通过LSTM进行任务数预测建模；紧接着以初始化预测数据强化学习模型TD3，形成基于AI分析与评估的优化负载均衡计算模型；最后通过实际训练以及仿真实验对LSTM-TD3的负载均衡效果进行验证测试。实验结果表明，相比传统的无负载均衡、轮询算法、Q-learning和TD3算法等云环境负载均衡方法，LSTM-TD3负载均衡性能分别提高25.4%，6.41%，3.56%和2.85%，能达到更好的资源负载均衡效果，资源利用率更高。

随着分布式技术的发展，当前大数据计算处理服务都在云环境上实现。云计算平台可以将大量数据计算任务通过网络分发到多个计算实例中进行处理，最终将各个实例的运算结果汇总返回给用户。云计算通过调用庞大的运算资源更高效地解决以往单机难以处理的复杂计算任务，因此，平台中负载分布是否均衡是评估云计算平台是否可靠可用可扩展的关键。在云计算环境中，负载均衡通过算法动态地对运算资源进行调度， 以最大限度地提高集群总体性能[1]， 在有限时间内处理更多请求， 提高资源的利用率。

在云环境下，任务处理单元通过虚拟机技术或容器技术部署在服务器实例上，处理资源是虚拟资源，部署配置可以根据云环境的实时负载情况进行动态调整。因此，云环境下负载均衡可以简单概括为以下两个目标： 1) 对大量的用户请求进行合理分发，减少用户等待响应时间； 2) 将过载服务器上的任务分割转移到其他节点进行处理，提高资源利用率。

当前云环境下负载均衡算法依据触发方式可以分为主动式、被动式以及对称式[2]。主动式负载均衡根据设定的负载均衡策略定时执行，如轮转调度、加权轮转调度。被动式负载均衡通过对服务器负载性能数据实时采集，判断系统当前均衡性，依据设定的指标阈值进行负载均衡。对称式则是主动式与被动式算法的结合。

通过判断系统当前负载状态是否动态调整，负载均衡也可分为静态负载均衡策略与动态负载均衡策略[3]。静态负载均衡算法包括随机、轮询[4]、加权调度[5]、优先权[6]等，动态负载均衡算法包括最少连接数、最快响应速度、负载最轻综合均衡、观察法、预测法[7]、动态性能分配[8]、动态服务器补充、服务质量[9]、服务类型[10]、规则模式[11]等。常见的负载均衡算法及其彼此之间的对比分析如表1 所示。

从表1 可以看出，静态负载均衡算法相对动态负载均衡算法更简单，但是无法将计算资源最大化利用，造成资源浪费。动态负载均衡算法由于需要考虑的参数指标较多，因此更复杂[12]，且需要对服务器各种指标进行实时监控并分析，对资源进行动态调度，因此动态负载均衡也能更高效合理地运用计算资源，节省能源浪费。许多研究人员对云环境下动态负载均衡算法做出改进，以应对不同云计算环境，提