Linux企业级运维进阶教程4——(2)LVS的DR模式

本文详细介绍了LVS的DR(直接路由)模式,讲解了其工作原理,即负载均衡器和真实服务器共享同一IP,通过修改数据包的目的MAC地址进行分发。在实验环境中,通过在代理服务器和后端服务器上的配置,实现了负载均衡的轮询效果。然而,该模式下客户端会直接访问真实服务器,可能导致服务器负载不均。为解决此问题,文章提出了在后端服务器上使用arptables防火墙策略的方法。
摘要由CSDN通过智能技术生成

一.DR模式简介

直接路由模式(VS-DR)
原理:负载均衡器和RS都使用同一个IP对外服务。但只有DR对ARP请求进行响应,所有RS对本身这个IP的ARP请求保持静默。也就是说,网关会把对这个服务IP的请求全部定向给DR,而DR收到数据包后根据调度算法,找出对应的RS,把目的MAC地址改为RS的MAC(因为IP一致)并将请求分发给这台RS。这时RS收到这个数据包,处理完成之后,由于IP一致,可以直接将数据返给客户,则等于直接从客户端收到这个数据包无异,处理后直接返回给客户端。由于负载均衡器要对二层包头进行改换,所以负载均衡器和RS之间必须在一个广播域,也可以简单的理解为在同一台交换机上。
优点:和TUN(隧道模式)一样,负载均衡器也只是分发请求,应答包通过单独的路由方法返回给客户端。与VS-TUN相比,VS-DR这种实现方式不需要隧道结构,因此可以使用大多数操作系统做为物理服务器。
缺点:(不能说缺点,只能说是不足)要求负载均衡器的网卡必须与物理网卡在一个物理段上

二.实验环境的搭建及测试

本次实验我们依然以server1主机为代理服务器,物理机为客户端,server2、3为后端服务器。

在server1代理服务器
  • yum源的获取
    因为LVS是一种负载均衡所以我们要获取LB负载均衡的yum源,一般的配置只能获得基础的包,不能获得ipvsadm

      lvs是由两部分组成的:
      ipvs(ip virrual server):一段代码(工作在内核),是真正生效实现调度的代码
      ipvsadm:(工作在用户空间)负责为ipvs内核编译规则
    

在yum源写入:

[LoadBalancer]
name=LoadBalancer
baseurl=http://172.25.69.250/file/LoadBalancer
gpgcheck=0

在这里插入图片描述

  • 安装ipvsadm调度器,查看调度器规则
    在这里插入图片描述
    在这里插入图片描述

  • 添加一个外网ip地址(使DS和RS使用同一个IP对外服务)

      ip addr add 172.25.69.100/24 dev eth0
    

在这里插入图片描述

  • 编写调度器规则(让客户端在访问172.25.69.100的时候采用轮循)

      ipvsadm -A -t 172.25.69.100:80 -s rr  #rr轮循调度
      ipvsadm -a -t 172.25.69.100:80 -r 172.25.69.2:80 -g
      ipvsadm -a -t 172.25.69.100:80 -r 172.25.69.3:80 -g
      ipvsadm -l    # -l 列出当前策略
      /etc/init.d/ipvsadm save  #保存策略.
      cat /etc/sysconfig/ipvsadm   #可通过修改文件修改策略
    

在这里插入图片描述

-A :添加目标策略(向一个记录中添加真实主机)
-t :tcp连接
-s :调度器,接负载均衡的算法

-g:dr模式

-r真实主机ip
在后端真实服务器server2、3上
  • 安装apache服务,编写默认发布页
    注意:上一个实验在server3上发布了虚拟主机,所以要重新添加真实主机的默认发布目录
    在这里插入图片描述
    server2
    在这里插入图片描述
    server3
    在这里插入图片描述

  • 在服务器上添加外网IP(使DS和RS使用同一个IP对外服务)

      ip addr add 172.25.69.100/32 dev eth0 #server2/3
    

在这里插入图片描述
在这里插入图片描述
设置子网为32的原因: 数据包发现没有100,就会丢弃,不接收外部请求,只进行内部通信

在物理机上测试

在这里插入图片描述
在这里插入图片描述
发现此时实现不了轮循,因为客户端存储了真实服务器的地址,MAC地址是server2的,清除一次后,再次查看
在这里插入图片描述
在这里插入图片描述
发现此时实现了轮循,MAC地址是server1,清除后再次查看
在这里插入图片描述
在这里插入图片描述
发现此时实现不了轮循,MAC地址是server3

注意:此时的客户端进行访问的时候,因为DS和RS在同一IP对外提供服务,所以MAC地址会随机选取,后端谁抢到就是谁的

所以此时就会产生一个问题,客户端访问时会访问到RS,没有访问到LVS代理服务器。从而使RS访问量过大,下面我们就来解决这个问题
 '解决办法':修改内核参数,添加arp,阻止外部的172.25.60.100的访问
 '具体做法':使用防火墙策略限制用户访问服务器
在sever2、3上
  • 安装arptables火墙策略,查看火墙策略
    在这里插入图片描述

      arptables -L   查看火墙策略
    

在这里插入图片描述

  • 编写火墙策略

      arptables -A IN -d 172.25.69.100 -j DROP	#对于100的访问拒绝不回应
      arptables -A OUT -s 172.25.69.100 -j mangle --mangle-ip-s 172.25.69.2		#让访问100的ip出去是69.2
      arptables -L
      /etc/init.d/arptables_jf save
    

    在这里插入图片描述

    在物理主机上测试

    清除缓存的MAC地址后发现只访问到LVS代理服务器
    在这里插入图片描述
    在这里插入图片描述

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,博主看到后会第一时间与您进行沟通; 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,博主看到后会第一时间与您进行沟通; 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,博主看到后会第一时间与您进行沟通; 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,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 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