LVS负载均衡群集---NAT

LVS群集简介
群集(或集群)的称呼来自于英语单词“Cluster”,表示一群、一串的意思,用在服务器领域,则表示大量的服务器的集合。
1 群集的类型
无论是那种群集,至少包括两台节点服务器,而对外表现为一个整体,只能提供一个访问入口(域名或IP地址)
根据群集所针对的目标差异,可分为三种类型。
   负载均衡群集(Load Balance Cluster);以提高系统的相应能力,尽可能处理更多大的访问请求。减少延迟为目标,获得高并发、高负载(LB)的整体性能。例如“DNS轮询”“应用层交换”“反向代理”等都可用在负载均衡群集。LB的负载分配依赖于主节点的分流算法,将来自客户机的访问请求分担给多个服务器节点,从而缓解整个系统的负载压力。
    高可用群集(High Availability Cluster); 以提高应用系统的可靠性、尽可能地减少中断时间为目标,确保服务的连续性,达到高可用(HA)的容错效果。例如“故障切换”“双机热备”等都属于高可用群集技术。HA的工作方式包括双工和主从两种。双工:所有节点同时在线,主从则只有主节点在线,当出现故障时从节点能自动切换为主节点。
    高性能运算群集(High Performance Computer Cluster);以提高应用系统的CPU运算速度扩展硬件资源和分析能力为目标,获得相当于大型、超级计算机的高性能运算(HPC)能力,例如“云计算”“网络计算”也可视为高性能运算的一种。高性能运算群集的高性能依赖于“分布式运算”“并行计算”通过专用硬件和软件将多个服务器的CPU。内存等资源整合在一起,实现只有大型,超级计算机才具备的计算能力。

2 负载均衡的分层结构
 第一层 负载调度器:负责相应并分发来自客户机的访问请求,是整个群集系统的唯一入口,对外使用所有的服务器共有的VIP (Virtual ip ,虚拟ip)地址,也可称为群集ip地址,通常会配置主、备两台调度器实现热备,确保高可用性能。
 第二层 服务器池;群集所提供的应用服务(如 HTTP、FTP)由服务器池承担,其中每个节点具有独立的RIP(Real ip ,真是ip)地址,只处理调度器分发过来的客户请求,当某个节点暂时失效时,负载调度器的容错机制会将其隔离,等待错误排除后重新纳入服务器池。
 第三层,共享存储;为服务池中的所有节点提供稳定、一致的文件存取服务,确保整个群集的统一性。共享存储可使用NAS设备,或者NFS(网络文件系统)共享服务的专用服务器

3、负载均衡的工作模式
关于群集的负载调度技术,可以基于ip 端口,内容等进行分发,其中基于ip的负载调度是效率最高的,基于ip的负载均衡模式中,常见的有地址转换、ip隧道、直接路由三种模式。
   地址转换(Network Address Translation);简称NAT模式。类似于防火墙的私有网络结构。负载调度器作为所有服务器节点的网关,即作为客户机的访问入口,也是各节点回应客户机的访问出口,服务器节点使用私有ip地址,与负载调度器位于同一个物理网络,安全性要优于其他两种方式。
   ip隧道Tunnel);简称 TUN 模式,采用开放式的网络结构负载调度器仅作为客户机的访问入口,各节点通过各自的Internet连接直接回应客户机,而不再经过负载调度器,服务器节点分散在互联网中的不同位置具有独立的公网Ip地址,通过专用ip隧道与负载调度器相互通信。
    直接路由(Direct Routing);简称DR模式。采用半开放式的网络结构,与TUN模式的结构类似,但各个节点并不是分散在各地,而是与调度器位于同一个物理网络。负载调度器与各节点服务器通过本地网络连接,不需要建立专用的ip隧道。

  以上三种工作模式中,NAT方式只需要一个公网IP地址,从而成为最易用的一种负载均衡模式,安全性也比较好。许多硬件负载均衡设备就是采用这种方式,相比而而言,DR模式与TUN模式的负载均衡能力更加强大,适用范围更广,但节点的安全性要稍差一些。

4、LVS的负载调度算法

    轮询(Round Robin):将收到的访问请求按照顺序轮流分配给群集的各节点(真实服务器),均等地对待每一台服务器,而不管服务器实际连接数和系统负载。

    加权轮询(Weighted  Round Robin): 根据真实服务器的处理能力轮流分配收到的访问请求,调度器可以自动查询各节点的负载情况,并动态调整其权重。保证处理能力强的服务器承担更多的访问流量。

     最少连接(Least Connections):根据真实服务器已建立的连接数进行分配,将受到的访问请求优先分配给连接数最少的节点。如所有的服务器节点性能相近,采用这种方式可以更好地负载均衡。

     加权最少连接WeightedLeast Connections ):在服务器节点性能差异较大的情况下,可以为真实服务器自动调整权重,权重较高的节点将承担更大比例的活动连接负载。



环境搭建

     lvs: 需要2块网卡,一块和外网相连 ip:192.168.221.151   一块和服务器池在同一网段 ip 192.168.1.1


    web1  ip:


     web2  ip:



此时web1和web2是能ping通lvs 192.168.1.1



注:关闭 lvs调度器的selinux,开启路由转发。关闭web服务器的防火墙

[root@gy-lvs ~]# setenforce 0

在vim /etc/sysctl.conf  中添加 net.ipv4.ip_forward = 1  执行sysctr -p 生效


1、 在lvs调度器上安装ipvsadm管理工具

[root@gy-lvs ~]# yum -y install ipvsadm



使用 ipvsadm  -v 可查看



2、在web1、2上分别安装httpd(这里只演示安装web1)

这里使用本地yum源安装

 [root@gy-web1 yum.repos.d]# vim gy.repo




web1、web2 安装完成以后,为了测试分别给web1、web2创建测试页,并启动httpd服务

[root@gy-web1 ~]# echo "192.168.1.2" >> /var/www/html/index.html

[root@gy-web1 ~]# systemctl start httpd.service

[root@gy-web2 ~]# echo "192.168.1.3" >> /var/www/html/index.html

[root@gy-web2 ~]# systemctl start httpd.service

访问 web1 


访问 web2



3、配置lvs调度服务器

 1)创建虚拟服务器

 [root@gy-lvs ~]# ipvsadm -A -t 192.168.221.151:80 -s rr  

  -A:表示添加虚拟服务器      -t:指定VIP地址及tcp端口   -s:指定负载均衡调度算法

   rr:轮询         wrr:加权轮询      lc:最少连接     wlc:加权最少连接

 2)添加服务器节点

[root@gy-lvs ~]# ipvsadm -a -t 192.168.221.151:80 -r 192.168.1.2:80 -m -w 1
[root@gy-lvs ~]# ipvsadm -a -t 192.168.221.151:80 -r 192.168.1.3:80 -m -w 1

  -a :真实服务器     -t : 指定VIP地址及tcp端口    -r :指定RIP(服务器池)地址及tcp端口  

  -m :表示NAT群集模式 (-g  DR 模式  、 -i  TUN模式) -w :设置权重(权重为0,表示暂停节点)

 3)查看群集节点状态

[root@gy-lvs ~]# ipvsadm  -ln


从上面结果中,Foreard列下的Masq对应Masquerade(地址伪装),表示采用的群集模式为NAT,如果是Rount ,则表示采用的群集模式为DR。

  4)删除服务器节点

例如:删除lvs群集192.168.221.151中的节点192.168.1.3

[root@gy-lvs ~]# ipvsadm -d -r 192.168.1.3:80 -t 192.168.221.151:80

-d:删除一个节点

删除整个虚拟服务器使用-D并指定虚拟IP地址即可,无需指定节点。

[root@gy-lvs ~]# ipvsadm -D -t 192.168.221.151:80

 

4、访问http://192.168.221.151出现以下页面。


刷新一下










1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值