基于遗传算法求解网络负载均衡问题
基于遗传算法求解网络负载均衡问题
摘要：基于整数规划的多限制条件下流量分布优化数学模型，提出一种基于遗传算法的优化算法求解MPLS网络负载均衡问题。算法采用自然数编码，自适应的交叉变异算子，并融入启发式信息有效地提高了搜索效率。仿真实验结果证明算法是有效的，显著改善了传统SPF路由算法易于导致的网络流量分布不均衡的状况。
关键字：负载均衡；多协议标签交换；遗传算法
1 引言
随着Internet的快速发展和业务量的不断提高，基于网络的数据访问流量迅速增长，特别是对数据中心、大型企业以及门户网站等的访问，其访问流量甚至达到了10Gb/s的级别；同时，服务器网站借助HTTP、FTP、SMTP等应用程序，为访问者提供了越来越丰富的内容和信息，服务器逐渐被数据淹没；另外，大部分网站（尤其电子商务等网站）都需要提供不间断24小时服务，任何服务中断或通信中的关键数据丢失都会造成直接的商业损失。所有这些都对应用服务提出了高性能和高可靠性的需求。这要求网络运营商必须有效地提高现有的网络资源的利用率以满足日益增长的业务量需求，并实现利益的最大化。流量工程的主要目的就是优化资源利用率，提高网络性能，增加网络的顽健性，负载均衡时其中的重要功能。[1]
传统的Internet路由协议采用基于目标的最短路径选路方式，常常导致网络上的流量分布不均衡，使得网络上有些链路因为过负荷产生拥塞现象，而另一些链路资源却处于闲置状态。[1]多协议标签交换(MPLS)技术是综合了三层路由的灵活性以及二层交换的流量管理能力的产物。MPLS的显示路由技术(ER)允许源完全控制数据在网络中的传输路径，可以在传送分组之前即预先建立一定的约束的标签交换路径（LSP），因此可以综合考虑全局业务流量需求，网络拓扑与链路特征，建立优化的LSP，达到均衡网络流量分配的目的。
下面先给出基于整数规划的多限制条件下流量分布优化数学模型。这里以均衡网络业务量，减少拥塞为目的的主要原因在于如果网络拥塞减少了，相应的分组丢失率，传输延时都会降低，网络总吞吐量会增加。该问题是NP-hard问题，本文设计了一种基于遗传算法的优化算法来求解计算复杂度高的负载均衡优化问题，并对算法进行了分析与仿真，仿真结果表明本文的算法是行之有效的，达到了均衡流量分布，尽可能地避免瓶颈链路出现的目的。
2 负载均衡问题建模
用G=(V,E,C)抽象描述网络拓扑。V是网络节点的集合，E是网络链路的集合。参数C则是E 和V的容量和其他一些约束条件限制。用集合K表示网络中的LSP请求。对任意k∈K，用三元组（s k,t k,λk）表示，其中s k ,t k分别为入口节点和出口节点，λk表示（s k ,t k）业务流
表示LSP，k是否经由链路（i,j）,(i,j)∈E，h k为LSP的跳数限制。
的带宽需求。X k
ij
优化的目标是使最大链路利用率最小化，这样可以使业务流向相对轻载的链路链接转移，使得由于流量分布不均衡造成拥塞的可能性降到最低。[2]另一方面，在最大链路利用率最小化的同时，相应的，链路的剩余带宽得到最大化，因而网络对将来达到的连接请求具有较高的接纳能力，而不需要对已存的连接进行重路由。网络流量分布优化问题的数学模型描述如下，C ij表示链路（i,j）的容量，a表示网络中的最大链路利用率。
优化目标：
min a (1) 约束条件：
∑∈E j i j X ),(:k ij - ∈E i j j X ),(:k ij = 0 , k ∈K,i ≠s k ,t k (2)
∑∈E j i j X ),(:k ij - ∑∈E i j j X ),(:k ij = 1 , k ∈K,i=s k (3)
∑∈E j i j X ),(:k ij - ∑∈E i j j X ),(:k ij = -1 , k ∈K,i=t k (4)
X K k k ?∑∈λk ij ≤ C ij ?a , (i,j)∈E (5)
∑∈E j i X ),(k ij ≤ h k , k ∈K (6) X k
ij ∈ {0,1} , a ≤0 (7)
其中式（1）以使最大链路利用率最小化的优化目标，以此实现负载均衡；式（2）~（7)是限制条件；式（2）是对中间节点的限制，流入的流量应等于流出的流量；式（3）和（4）
分别是对入口和出口节点的流量限制[3]；式（5）是链路上的最大负载限制；式（6）是对入
口至出口节点的路径跳数限制；式（7）是对X k
ij 的整数限制，限制为单路径路由，以及对
a 的非负限制。
这里将对应终端节点对（s k ,t k ,λk )的所有满足约束条件的路由组成的集合称为第k 条LSP 的可行路由集Q k ,Q k ={q k 1,...q j k ,...q k
N k },k ∈K ，N k 为第k 条LSP 的可行路由数目。则上述优化问题即要求解优化路由集P=（p 1,...p k ,...p |K|），p k ∈Q k ,满足式（1）优化目标。用l 表示链路（i ，j ），设 δk kl P = {,l LSPk ,1,0K k E ∈∈经过链路如果否则
（8） 则链路负载)(l p γ和利用率)(l a p 可分别式（9）和（10）计算得出。
)(l p γ=k K k P kl k λδ
∑=||1 （9）
)(l a p =())(/1l C p l λ? （10） 上述优化问题本质上是从每一个多选择域（Q k ）中选择正确的变量（p k ），即多选择指派问题，它是NP-hard 问题[4]。目前还没有找到求得最优解的多项式算法，工程中一般倾向于综合考虑算法效率和优化结果，寻求问题的满意解。上述优化问题的特点是搜索空间大，我们基于全局搜索能力强的遗传算法进行求解。
3 算法求解
遗传算法（Genetic Algorithm,GA ）是由美国密执安大学的Holland 教授于1969年提出，后经由De Jong 于1975年、Goldberg 于1989年等归纳总结所形成的一类模拟进化算法
（Simulated Evolutionary Algorithm,SEA ），是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法[5]。在应用遗传算法时，需要确定以下要素：（1）染
色体的编码方法。如何由染色体的编码体现问题的解。（2）表示个体适应度的评价函数。适应度高的个体有更大的概率遗传到下一代群体。（3）如何产生初始群体？（4）确定遗传算子，即如何进行选择、交叉和变异等遗传操作并产生下一代群体。（5）确定运行参数，包括群体规模popSize ，终止进化代数maxGen ，交叉概率p m 。
3.1 染色体编码
首先将各LSP 可行路由集中的每一条路由从1开始进行编号，从每一个可行路由集中选取的路由编号排列即为原问题的一个可行解（一条染色体）。例如，第1对入口/出口节点对（s 1,t 1,λ1）选择的路由编号为y1，第2对入口/出口节点对（s 2,t 2,λ2）选择的路由编号为y 2,...,第|K|对入口/出口节点对（s |k|,t |k|,λ|k|）选择的路由编号为y |K|，则（y 1,y 2,...,y i ,...,y |K|）构成了一条染色体，其中y i 对应LSP i 的可行路由集Qi 中的路由q i
y i 。
算法中染色体采用自然数编码方式，其编码长度是确定的，等于LSP 总数，于总的可行路由数目无关。同时，染色体的各基因位无顺序关系，基因位相互之间无必然联系，使得遗传算子的设计很灵活，任意交叉操作，以及在基因位的取值范围内进行变异的操作都不会导致无效染色体的出现，可以保证进行遗传算子操作都不会导致无效染色体的出现，可以保证进行遗传算子操作后得到的编码仍然是一个可行解，避免了无效空间中进行搜索，提高了算法效率。
3.2 初始群体的产生
通常的办法是采用均匀随机的选择策略。可行路由集Qi 的最大路由编号为Ni ，则初始群体中的每一个个体（y 1,y 2,...,y |K|）中的y i 是通过产生从1到N i 的一个随机数来确定的。此方法简单通用，但是却无法保证群体的全局性和稀疏性。这里采用如下基于划分搜索空间的改进方法：首先在解空间均匀产生若干个区域，然后再在每个小区域内随机产生可行解构成初始群体。具体做法如下：先产生一个1到|K|间的随机整数k,选定第k 条LSP 的路由，其他的LSP 路由仍作为搜索变量，则可将解空间均匀划分为N k 个子空间。如果群体规模为popSize ，则在每一个子空间中至少选择|popSize/N k |个样本。这样可以扩大GA 初始群体的多样性，减小了陷入局部最小解得可能性。
3.3 适应度函数
因为式（1）是一个求最小值问题，因此选取如下适应度函数，al 可利用式（10）计算。 F （Y ）=))(max (1l E l a -∈ （11）
3.4 选择操作
我们采用比例选择法结合最优个体保存策略。在该办法中，各个个体的选择概率与其适应度值成比例。设群体规模大小popSize ，个体i 的适应度为F i ，则个体i 被选中的概率为
ps i =11-=???? ??∑popSize i i i F F （12）
由于这两种方法是基于概率选择，存在统计误差。因此结合最优保存策略，保证当前适应度最好的个体能够进化到下一代，不被遗传操作的随机性破坏掉，保证算法的收敛性。
在设计交叉算子和变异算子的时候，需要考虑两个原则：（1）不要太多地破坏群体中表示优良性状的优良模式，以保证算法的收敛性；（2）能够有效地产生出一些新的个体模式，保持群体的多样性，避免陷入局部最优解。根据这两个原则，如果交叉，变异概率根据个体适应度做自适应变化，则能够较好地达到上述两个目的[6]。p c ,p m 计算方法如式（13）和（14）所示。其中，F max 是当前群体中最大的个体适应度值，F -
是平均个体适应度值，F 为某个体
适应度值，且0 p c = ? ? ?≥ - - < F F F F F F k F F k ), /( ) (max max 1 ,2 （13） p m = ? ? ?≥ - - < F F F F F F k F F k ), /( ) (max max 3 ,4 （14） 另外一个问题是：如何确定交叉点和变异点的位置？为了提高算法的收敛速度，并且增强局部寻优能力，我们利用一些启发式信息来帮助确定。因为优化目标是均衡网络业务流量，使最大链路利用率最小化，因此只有最大利用率链路上的负载发生改变，才能改善解的性能。设要交配的两个父串：A=(p1,p2,...p|k|)和B=(q1,q2,...q|k|)，计算F(A)>F(B)，选取其中较大的一 个，若两者相等任取一个，这里不妨设F(A)>F(B)，在所有的a A()l中找出具有最大链路利用率的链路编号l，并进而求出对l上的负载贡献最小的LSP编号i，将其作为交叉点。同理可以确定变异点。这里选取负载贡献最小的LSP编号的原因是可以尽可能小地影响其他链路的负载情况。 4 算法的实现 为了实现直观的效果，分别对新算法和传统算法作对比。其中对新算法记为NGA（Nature Genetic Algorithm），将简单的传统算法记为SGA（Simple Genetic Algorithm）。 设网络结构如图1所示。对其进行计算机仿真。性能指标为最大链路利用率。设LSP的跳数限制最大为6跳，需要优化的LSP终端节点对及相应的流量约束如表1所示，个链路的容量均为155 图1 网络结构示意图 表1 LSP入口/出口节点对及流量要求 LSP入口/出口节点AN AL AH BM CM 流量要求32 40 27 33 34 LSP入口/出口节点DI DM DN HI MH 流量要求48 25 21 15 31 matlab遗传算法优化神经网络权值教程第4章nnToolKit神经网络工具包 4.1 nnToolKit简介 神经网络工具包是基于MATLAB神经网络工具箱自行开发的一组神经网络算法函数库 可在MATLAB环境下均独立运行，也可打包成DLL组件，直接被VB、VC、 C++ 、C#、JAVA或其他支持COM的语言所调用 本工具包中增加了一些MATLAB中没有的神经网络算法，如模糊神经网络、小波神经网络、遗传神经网络算法等 4.2nnToolKit函数库 4.2nnToolKit 函数库 4.2nnToolKit函数库 例4-1 对ch4\nnToolKit工具箱\lmnet文件夹中文件(input_para1.txt和output_para1.txt)提供的专家样本数据进行网络训练。%此为BP网络训练程序 function retstr = LmTrain(ModelNo,NetPara,TrainPara,InputFun,OutputFun,DataDir)NNTWARN OFF retstr=-1; ModelNo=‘1’;NetPara(1)=7;Ne tPara(2)=1; NetPara(3)=6;NetPara(4)=10; 4.2nnToolKit函数库 4.2nnToolKit函数库 例4-2 输入一组测试样本数据，对例4-1训练的网络模型进行仿真 %此为一仿真程序%首先读入权域值参数 function retdouble = LmSimu(ModelNo,NetPara,SimulatePara,InputFun,OutputFun,DataDir)NNTWA RN OFF %%%% 输入参数赋值开始 %%%%%%%%%%%%%%%%%%%%%%%% 这 部分代码主要是方便用户调试用ModelNo=‘1’; NetPara(1)=7; 4.2nnToolKit函数库 HUAWEI USG6000V系列NFV防火墙技术白皮书之---服务器负载均衡技术白皮书 华为技术有限公司 Huawei Technologies Co., Ltd. 目录 1背景和概述 (2) 2全局服务器负载均衡（GSLB） (3) 3本地服务器负载均衡（LSLB） (4) 3.1使用目的MAC地址转换的服务器负载均衡（DR） (4) 3.2使用网络地址转换实现的服务器负载均衡（L4 SLB） (5) 3.3使用轻量代理和网络地址转换的服务器负载均衡（L4 lwProxy SLB） (7) 3.4使用全量Socket 代理的服务器负载均衡（L7 Socket Proxy SLB） (9) 3.4.1socket代理加业务会话关联保持 (9) 3.4.2根据URL类型不同的分担，静态资源访问和动态计算访问分开多种服务 器10 3.4.3SSL卸载 (10) 3.4.4链路优化：压缩、协议优化、本地cache、多路复用 (11) 3.5业务保持技术 (13) 4华为USG防火墙支持的SLB功能列表 (14) 1 背景和概述 随着互联网的快速发展，用户访问量的快速增长，使得单一的服务器性能已经无法满足大量用户的访问，企业开始通过部署多台服务器来解决性能的问题，由此就产生了服务器负载均衡的相关技术方案。 在实际的服务器负载均衡应用中，由于需要均衡的业务种类以及实际服务器部署场景的不同（比如是否跨地域、跨ISP数据中心等），存在多种负载均衡的技术。如下典型的组网方式如图所示： 服务提供方为了支撑大批量的用户访问，以及跨不同地域、不同接入ISP的用户都能够获得高质量的业务访问体验，其已经在不同地域、不同ISP数据中心搭建了服务器，这样就带来一个需求，也就是客户的访问能够就近、优先选择同一个ISP数据中心的服务器，从而获得高质量的业务访问体验。 同时，基于单台服务器能够提供的业务访问并发是有限的，那么就自然想到使用多台服务器来形成一个“集群”，对外展现出一个业务访问服务器，以满足大量用户访问、而且可以根据业务访问量的上升可以动态的进行业务能力扩容的需要。 前言：最近一直在对比测试F5 BIG-IP和Citrix NetScaler负载均衡器的各项性能，于是写下此篇文章，记录F5 BIG-IP的常见应用配置方法。 目前，许多厂商推出了专用于平衡服务器负载的负载均衡器，如F5 Network公司的BIG-IP，Citrix公司的NetScaler。F5 BIG-IP LTM 的官方名称叫做本地流量管理器，可以做4-7层负载均衡，具有负载均衡、应用交换、会话交换、状态监控、智能网络地址转换、通用持续性、响应错误处理、IPv6网关、高级路由、智能端口镜像、SSL加速、智能HTTP压缩、TCP优化、第7层速率整形、内容缓冲、内容转换、连接加速、高速缓存、Cookie加密、选择性内容加密、应用攻击过滤、拒绝服务(DoS)攻击和SYN Flood保护、防火墙—包过滤、包消毒等功能。 以下是F5 BIG-IP用作HTTP负载均衡器的主要功能： ①、F5 BIG-IP提供12种灵活的算法将所有流量均衡的分配到各个服务器，而面对用户，只是一台虚拟服务器。 ②、F5 BIG-IP可以确认应用程序能否对请求返回对应的数据。假如F5 BIG-IP后面的某一台服务器发生服务停止、死机等故障，F5会检查出来并将该服务器标识为宕机，从而不将用户的访问请求传送到该台发生故障的服务器上。这样，只要其它的服务器正常，用户的访问就不会受到影响。宕机一旦修复，F5 BIG-IP就会自动查证应用已能对客户请求作出正确响应并恢复向该服务器传送。 .1 ③、F5 BIG-IP具有动态Session的会话保持功能。 ④、F5 BIG-IP的iRules功能可以做HTTP内容过滤，根据不同的域名、URL，将访问请求传送到不同的服务器。 .2 遗传算法在 BP 神经网络优化中的应用 2O世纪80年代后期，多机器人协作成为一种新的机器人应用形式日益引起国内外学术界的兴趣与关注。一方面，由于任务的复杂性，在单机器人难以完成任务时，人们希望通过多机器人之间的协调与合作来完成。另一方面，人们也希望通过多机器人间的协调与合作，来提高机器人系统在作业过程中的效率。1943年，Maeullocu和 Pitts融合了生物物理学和数学提出了第一个神经元模型。从这以后，人工神经网络经历了发展、停滞、再发展的过程，时至今日正走向成熟，在广泛领域里得到了应用，其中将人工神经网络技术应用到多机器人协作成为新的研究领域。本文研究通过人工神经网络控制多机器人完成协作搬运的任务-3 J，并应用遗传算法来对神经网络进行优化。仿真结果表明，经过遗传算法优化后的搬运工作效率显著提高，误差降低。 1 人工神经网络 ANN)的基本原理和结构 人工神经网络(Artiifcial Neural Network，ANN)) 是抽象、简化与模拟大脑神经结构的计算模型，又称并行分布处理模型 J。ANN 由大量功能简单且具有自适应能力的信息处理单元——人工神经元按照大规模并行的方式通过一定的拓扑结构连接而成。ANN拓扑结构很多，其中采用反向传播(Back-Propa- gation，BP)算法的前馈型神经网络(如下图1所示)，即BP人工神经网络，是人工神经网络中最常用、最成熟的神经网络之一。 BP网络模型处理信息的基本原理是：输入信号x；通过中间节点(隐层点 )作用于出节点，经过非线形变换，产生输出信Yk，网络训练的每个样本包括输入向量 x和期望输出量 T，网络输出值Y与期望输出值T之间的偏差，通过调整输入节点与隐层节点的联接强度取值w；；和隐层节点与输出节点之间的联接强度Y以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数 (权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。 山西青年职业学院 毕业设计开题报告 题目简述负载均衡在网络中的应用 专业计算机网络技术 姓名00 指导教师00 2017年11月22日 开题报告 一、论文题目 简述负载均衡在网络系统中的应用 二、选题依据 随着internet的快速发展和业务量的不断提高，基于网络的数据访问流量迅速增长，特别是各大运营商的数据访问、大型门户网站的访问及各大B2C 电商平台的访问。例如2017双十一全网销售2025.3亿，淘宝占66.23%，其中天猫11秒破亿，3分钟突破100亿，40分钟突破500亿交易额，交易峰值达到每秒25.6亿笔。在这些数据刷新的同时，是用户每秒上百万次的点击。 再例如2016年春运期间12306网站奔溃，原因是12306后台无法满足大量用户同时进行的数据访问需求。 第一：是网络应用业务量快速增加，用户访问流量快速增长，其服务器处理能力和计算强度无法满足需求。 第二：单一设备无法满足访问需求，大量的硬件升级又需要高额成本投入，峰值过后还会造成资源浪费， 第三：这时就需要用一种廉价有效的发放扩展网络带宽和吞吐量，加强网络数据处理能力，提高网络的灵活性和可用性。 三、选题在国内、外的发展趋势 在网络的快速发展的同时，大量用户发起的请求的情况下，服务器负载过高，导致用户请求出现无法响应的情况。就出现了国内深信服，天融信，国外redware，F5这类专门做负载均衡的企业。 四、问题的提出 4.1 负载均衡需要解决的问题 4.2 负载均衡的层次结构 4.3 常见的负载均衡技术 4.4 应用Cisco设备实现负载均衡 五、对企业络设计分析 随着互联网的普及，利用网络传输声音与视频信号的需求也越来越大。广播电视等媒体上网后，也都希望通过互联网来发布自己的节目。很多媒体网站都因为用户网络流量增加，出现了网络访问速度慢等问题。 六、简要结构图 目前，网络应用正全面向纵深发展，企业上网和政府上网初见成效。随着网络技术的发展，教育信息网络和远程教学网络等也得到普及，各地都相继建起了教育信息网络，带动了网络应用的发展。 一个面向社会的网站，尤其是金融、电信、教育和零售等方面的网站，每天上网的用户不计其数，并且可能都同时并发访问同一个服务器或同一个文件，这样就很容易产生信息传输阻塞现象；加上Internet线路的质量问题，也容易引起出 现数据堵塞的现象，使得人们不得不花很长时间去访问一个站点，还可能屡次看到某个站点“服务器太忙”，或频繁遭遇系统故障。因此，如何优化信息系统的性能，以提高整个信息系统的处理能力是人们普遍关心的问题。 一、负载均衡技术的引入 信息系统的各个核心部分随着业务量的提高、访问量和数据流量的快速增长，其处理能力和计算强度也相应增大，使得单一设备根本无法承担，必须采用多台服务器协同工作，提高计算机系统的处理能力和计算强度，以满足当前业务量的需求。而如何在完成同样功能的多个网络设备之间实现合理的业务量分配，使之不会出现一台设备过忙、而其他的设备却没有充分发挥处理能力的情况。要解决这一问题，可以采用负载均衡的方法。 负载均衡有两个方面的含义：首先，把大量的并发访问或数据流量分担到多台节点设备上分别处理，减少用户等待响应的时间；其次，单个重负载的运算分担到多台节点设备上做并行处理，每个节点设备处理结束后，将结果汇总，再返回给用户，使得信息系统处理能力可以得到大幅度提高。 对一个网络的负载均衡应用，可以从网络的不同层次入手，具体情况要看对网络瓶颈所在之处的具体情况进行分析。一般来说，企业信息系统的负载均衡大体上都从传输链路聚合、采用更高层网络交换技术和设置服务器集群策略三个角度实现。 二、链路聚合——低成本的解决方案 为了支持与日俱增的高带宽应用，越来越多的PC机使用更加快速的方法连入网络。而网络中的业务量分布是不平衡的，一般表现为网络核心的业务量高，而边缘比较低，关键部门的业务量高，而普通部门低。伴随计算机处理能力的大幅度提高，人们对工作组局域网的处理能力有了更高的要求。当企业内部对高带宽应用需求不断增大时（例如Web访问、文档传输及内部网连接），局域网核心部位的数据接口将产生瓶颈问题，因此延长了客户应用请求的响应时间。并且局域网具有分散特性，网络本身并没有针对服务器的保护措施，一个无意的动作，像不小心踢掉网线的插头，就会让服务器与网络断开。 通常，解决瓶颈问题采用的对策是提高服务器链路的容量，使其满足目前的需求。例如可以由快速以太网升级到千兆以太网。对于大型网络来说，采用网络系统升级技术是一种长远的、有前景的解决方案。然而对于许多企业，当需求还没有大到非得花费大量的金钱和时间进行升级时，使用升级的解决方案就显得有些浪费 用遗传算法优化BP神经网络的Matlab编程实例（转） 由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。以下贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。 程序一：GA训练BP权值的主函数 function net=GABPNET(XX,YY) %-------------------------------------------------------------------------- % GABPNET.m % 使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络 %-------------------------------------------------------------------------- %数据归一化预处理 nntwarn off XX=[1:19;2:20;3:21;4:22]'; YY=[1:4]; XX=premnmx(XX); YY=premnmx(YY); YY %创建网络 net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin'},'tra inlm'); %下面使用遗传算法对网络进行优化 P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 aa=ones(S,1)*[-1,1]; popu=50;%种群规模 save data2 XX YY % 是将 xx,yy 二个变数的数值存入 data2 这个MAT-file，initPpp=initializega(popu,aa,'gabpEval');%初始化种群 gen=100;%遗传代数 windows网络服务之配置网络负载均衡（NLB）群集 实验背景：公司有一个Web站点，由于客户访问量逐渐增多，网站响应越来越慢。公司决定用两台WEB服务器供客户访问，这两台服务器提供相同的网站内容，利用网络负载平衡群集技术，根据每台服务器的负载情况来决定客户机具体访问哪台服务器。配置群集的两台计算机在一个windows域中，一台为DC，IP为20.1.1.1（内网卡）10.1.1.10（外网卡），另外一台为成员服务器,IP为20.1.1.2（内网卡）10.1.1.20（外网卡），NLB群集使用的IP地址为10.10.10.10，主机名为https://www.wendangku.net/doc/f518670442.html,，客户端的DNS指向DC的外网卡10.1.1.10 实验的目的：理解NLB群集的概念，掌握NLB群集的准备，掌握NLB群集的配置，掌握NLB群集的验证。 实验环境：在VMWARE中打开三台（2003企业版）虚拟机。分别作为域控，成员服务器，客户端 相关概念的介绍 网络负载均衡群集一般用于访问量大，面向前台的服务，增强了WEB FTP ISA VPN 等服务的可靠性，有别于服务器群集，服务器群集一般用于访问量较少的企业内网，面向后台，服务器群集实现DHCP、文件共享、后台打印、MS SQL Server、Exchange Server等服务的可靠性。 配置网络负载均衡群集需要注意：网络负载平衡并不为经过负载的主机提供额外的安全保护，也不可以将其用于防火墙，因此，正确地保护经过负载平衡的应用程序和主机是很重要的。如果可能，在每个群集的主机上至少要使用两个网络适配器，但并非必要条件，在群集适配器上只使用TCP/IP协议，确保群集 系统工程理论与实践 Systems Engineering——Theory & Practice 1999年第2期第19卷 vol.19 No.2 1999 遗传算法与神经网络的结合 李敏强徐博艺寇纪淞 摘要阐明了遗传算法和神经网络结合的必要性和可行性,提出用多层前馈神经网络作为遗传搜索的问题表示方式的思想。用遗传算法和神经网络结合的方法求解了短期地震预报问题,设计了用遗传算法训练神经网络权重的新方法,实验结果显示了遗传算法快速学习网络权重的能力,并且能够摆脱局部极点的困扰。 关键词遗传算法进化计算神经网络 On the Combination of Genetic Algorithms and Neural Networks Li Minqiang Xu Boyi Kou Jisong (Institute of Systems Engineering, Tianjin University, Tianjin 300072 Abstract In this paper, we demonstrate the necessity and possibility of combining neural network (NN with GAs. The notion of using multilayered feed forward NN as the representation method of genetic and the searching technique is introduced. We combine GA and NN for solving short term earthquake forecasting problem, design a novel method of using GAs to train connection weights of NN.The empirical test indicates the capability of the new method in fast learning of NN and escaping local optima. Keywords genetic algorithms; evolutionary computation; neural networks 1.负载均衡的介绍 软/硬件负载均衡 软件负载均衡解决方案，是指在一台或多台服务器相应的操作系统上，安装一个或多个附加软件来实现负载均衡，如DNS 负载均衡等。它的优点是基于特定环境、配置简单、使用灵活、成本低廉，可以满足一般的负载均衡需求。硬件负载均衡解决方案，是直接在服务器和外部网络间安装负载均衡设备，这种设备我们通常称之为负载均衡器。由于专门的设备完成专门的任务，独立于操作系统，整体性能得到大量提高，加上多样化的负载均衡策略，智能化的流量管理，可达到最佳的负载均衡需求。一般而言，硬件负载均衡在功能、性能上优于软件方式，不过成本昂贵。[1] 本地/全局负载均衡 负载均衡从其应用的地理结构上，分为本地负载均衡和全局负载均衡。本地负载均衡是指对本地的服务器群做负载均衡，全局负载均衡是指在不同地理位置、有不同网络结构的服务器群间做负载均衡。本地负载均衡能有效地解决数据流量过大、网络负荷过重的问题，并且不需花费昂贵开支购置性能卓越的服务器，可充分利用现有设备，避免服务器单点故障造成数据流量的损失。有灵活多样的均衡策略，可把数据流量合理地分配给服务器群内的服务器，来共同负担。即使是再给现有服务器扩充升级，也只是简单地增加一个新的服务器到服务群中，而不需改变现有网络结构、停止现有的服务。全局负载均衡，主要用于在一个多区域拥有自己服务器的站点，为了使全球用户只以一个IP地址或域名就能访问到离自己最近的服务器，从而获得最快的访问速度，也可用于子公司分散站点分布广的大公司通过Intranet （企业内部互联网）来达到资源统一合理分配的目的。 更高网络层负载均衡 针对网络上负载过重的不同瓶颈所在，从网络的不同层次入手，我们可以采用相应的负载均衡技术来解决现有问题。更高网络层负载均衡，通常操作于网络的第四层或第七层。第四层负载均衡将一个Internet上合法注册的IP地址，映射为多个内部服务器的IP地址，对每次TCP连接请求动态使用其中一个内部IP地址，达到负载均衡的目的。第七层负载均衡控制应用层服务的内容，提供了一种对访问流量的高层控制方式，适合对HTTP服务器群的应用。第七层负载均衡技术通过检查流经的HTTP报头，根据报头内的信息来执行负载均衡任务。 [编辑本段] 网络负载平衡的优点 1、网络负载平衡允许你将传入的请求传播到最多达32台的服务器上，即可以使用最多32台服务器共同分担对外的网络请求服务。网络负载平衡技术保证即使是在负载很重的情况下它们也能作出快速响应。 2、网络负载平衡对外只须提供一个IP地址（或域名）。 3、如果网络负载平衡中的一台或几台服务器不可用时，服务不会中断。网络负载平衡自动检测到服务器不可用时，能够迅速在剩余的服务器中重新指派客户机通讯。此保护措施能够帮助你为关键的业务程序提供不中断的服务。可以根据网络访问量的增多来增加网络负载平衡服务器的数量。 4、网络负载平衡可在普通的计算机上实现。在Windows Server 2003中，网络负载平衡的应用程序包括Internet信息服务(IIS)、ISA Server 2000防火墙与代理服务器、VPN虚拟专用网、终端服务器、Windows Media Services（Windows视频点播、视频广播）等服务。同时，网络负载平衡有助于改善你的服务器性能和可伸缩性，以满足不断增长的基于Internet 客户端的需求。 遗传算法优化的BP神经网络建模 十一月匆匆过去，每天依然在忙碌着与文档相关的东西，在寒假前一个多月里，努力做好手头上的事的前提下多学习专业知识，依然是坚持学习与素质提高并重，依然是坚持锻炼身体，为明年找工作打下基础。 遗传算法优化的BP神经网络建模借鉴别人的程序做出的仿真，最近才有时间整理。 目标： 对y=x1^2+x2^2非线性系统进行建模，用1500组数据对网络进行构建网络，500组数据测试网络。由于BP神经网络初始神经元之间的权值和阈值一般随机选择，因此容易陷入局部最小值。本方法使用遗传算法优化初始神经元之间的权值和阈值，并对比使用遗传算法前后的效果。 步骤： 未经遗传算法优化的BP神经网络建模 1、随机生成2000组两维随机数(x1,x2)，并计算对应的输出y=x1^2+x2^2，前1500组数据作为训练数据input_train，后500组数据作为测试数据input_test。并将数据存储在data中待遗传算法中使用相同的数据。 2、数据预处理：归一化处理。 3、构建BP神经网络的隐层数，次数，步长，目标。 4、使用训练数据input_train训练BP神经网络net。 5、用测试数据input_test测试神经网络，并将预测的数据反归一化处理。 6、分析预测数据与期望数据之间的误差。 遗传算法优化的BP神经网络建模 1、读取前面步骤中保存的数据data； 2、对数据进行归一化处理； 3、设置隐层数目； 4、初始化进化次数，种群规模，交叉概率，变异概率 5、对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数； 6、循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值； 7、将得到最佳初始权值和阈值来构建BP神经网络； 8、使用训练数据input_train训练BP神经网络net; 9、用测试数据input_test测试神经网络，并将预测的数据反归一化处理； 10、分析预测数据与期望数据之间的误差。 算法流程图如下： 服务器网络负载均衡实施方案 一、技术方案 使用Windows Server 2003 网络负载平衡技术，可以实现WWW等诸多系统服务的负载平衡功能。 网络负载均衡是由多台服务器以对称的方式组成一个服务器集合，每台服务器都具有等价的地位，都可以单独对外提供服务而无须其他服务器的辅助。通过某种负载分担技术，将外部发送来的请求均匀分配到对称结构中的某一台服务器上，而接收到请求的服务器独立地回应客户的请求。均衡负载能够平均分配客户请求到服务器列阵，籍此提供快速获取重要数据，解决大量并发访问服务问题。 二、配置要求 1.服务器需要安装双网卡，一块用于负载平衡，一块用于服务器内部通讯。 2.用于集群的服务器，系统管理员密码最好一致，以免引起不必要的麻烦。 3.将网络属性中，不必要的协议都去掉，只保留TCP/IP 和Microsoft 的协议。 4.两台服务器的应用程序用IIS发布。 三、实施步骤 准备两台应用服务器，并配上两个IP地址，在其中一台服务器设置新建群集，步骤如下：1．点击开始→程序→管理工具→网络负载平衡管理器，如下图所示： 2．选择网络负载平衡集群→鼠标右键→新建集群，如下图所示： 3. 配置群集参数 IP 地址: 指对外提供服务的虚拟IP地址。 完整的Internet名：指对外服务的域名，最好和真实环境配置一致。 其余的保持默认设置，如下图示例： 4. 本例中的集群对外只提供一个服务IP地址，所以“附加群集IP地址”不需要再添加，如下图示例： 5．端口规则中，默认是允许所有的TCP，UDP，如下图所示： 6. 本例中，我们只希望实现80端口的集群，我们可以编辑规则，如下图示例： 课程设计作业——翻译 课题：介绍遗传算法神经网络 穆姣姣 0808490233 物流08-班 介绍遗传算法神经网络 理查德·坎普 1. 介绍 一旦一个神经网络模型被创造出来，它常常是可取的。利用这个模型的时候,识别套输入变量导致一个期望输出值。大量的变量和非线性性质的许多材料模型可以使找到一个最优组输入变量变得困难。 在这里,我们可以用遗传算法并试图解决这个问题。 遗传算法是什么?遗传算法是基于搜索algo-rithms力学的自然选择和遗传观察到生物的世界。他们使用两个方向(\适者生存”),在这种条件下,探索一个强劲的功能。重要的是,采用遗传算法,这不是必需要知道功能的形式,就其输出给定的输入(图1)。 健壮性我们这么说是什么意思呢?健壮性是效率和效能之间的平衡所使用的技术在许多不同的环境中。帮助解释这个问题,我们可以比其他搜索和优化技术,如calculus-based,列举,与随机的求索。 方法Calculus-based假设一个光滑,无约束函数和要么找到点在衍生为零(知易行难)或者接受一个方向梯度与当地日当地一所高中点(爬山)。研究了这些技术已经被重点研究、扩展、修改，但展现自己缺乏的鲁棒性是很简单的。 考虑如图2所示的功能。利用Calculus-based在这里发现极值是很容易的(假定派生的函数可以发现…!)。然而,一个更复杂的功能(图3)显示该方法是当地——如果搜索算法,在该地区的一个开始,它就会错过低高峰目标,最高的山峰。 图1 使用网络神经算法没必要知道它的每一项具体功能。 一旦一个局部极大时,进一步改进需要一个随机的重启或类似的东西。同时,假设一个函数光滑,可导,并明确知道很少尊重现实。许多真实世界充满了间断模型和设置在嘈杂的多通道搜索空间(图4)。 虽然calculus-based方法在某些环境中至非常有效的，但内在的假 XXXX负载均衡项目配置手册 杭州华三通信技术有限公司 版权所有侵权必究 All rights reserved 1 组网方案1.1 网络拓扑 1.2 负载均衡资源 注：红色表示该实服务不存在。 1.3 网络设备资源 交换机管理IP地址是：10.4.41.54/255.255.255.192； LB设备的管理IP地址是：10.4.41.34/255.255.255.192； 设备的网关是：10.4.41.62； 2 交换机S75E配置 2.1 创建VLAN及添加端口 %读取数据 data=xlsread('data.xls'); %训练预测数据 data_train=data(1:113,:); data_test=data(118:123,:); input_train=data_train(:,1:9)'; output_train=data_train(:,10)'; input_test=data_test(:,1:9)'; output_test=data_test(:,10)'; %数据归一化 [inputn,mininput,maxinput,outputn,minoutput,maxoutput]=premnmx(input_tr ain,output_train); %对p和t进行字标准化预处理 net=newff(minmax(inputn),[10,1],{'tansig','purelin'},'trainlm'); net.trainParam.epochs=100; net.trainParam.lr=0.1; net.trainParam.goal=0.00001; %net.trainParam.show=NaN %网络训练 net=train(net,inputn,outputn); %数据归一化 inputn_test = tramnmx(input_test,mininput,maxinput); an=sim(net,inputn); test_simu=postmnmx(an,minoutput,maxoutput); error=test_simu-output_train; plot(error) k=error./output_train 集群的负载均衡技术综述 摘要：当今世界，无论在机构内部的局域网还是在广域网如Internet上，信息处理量的增长都远远超出了过去最乐观的估计，即使按照当时最优配置建设的网络，也很快会感到吃不消。如何在完成同样功能的多个网络设备之间实现合理的业务量分配，使之不致于出现一台设备过忙、而别的设备却未充分发挥处理能力的情况，负载均衡机制因此应运而生。本组在课堂上讲解了《集群监控与调度》这一课题，本人在小组内负责负载均衡部分内容，以及PPT的制作。 关键词：负载均衡集群网络计算机 一、前言 负载均衡建立在现有网络结构之上，它提供了一种廉价有效的方法扩展服务器带宽和增加吞吐量，加强网络数据处理能力，提高网络的灵活性和可用性。它主要完成以下任务：解决网络拥塞问题，服务就近提供，实现地理位置无关性；为用户提供更好的访问质量；提高服务器响应速度；提高服务器及其他资源的利用效率；避免了网络关键部位出现单点失效。 其实，负载均衡并非传统意义上的“均衡”，一般来说，它只是把有可能拥塞于一个地方的负载交给多个地方分担。如果将其改称为“负载分担”，也许更好懂一些。说得通俗一点，负载均衡在网络中的作用就像轮流值日制度，把任务分给大家来完成，以免让一个人累死累活。不过，这种意义上的均衡一般是静态的，也就是事先确定的“轮值”策略。 与轮流值日制度不同的是，动态负载均衡通过一些工具实时地分析数据包，掌握网络中的数据流量状况，把任务合理分配出去。结构上分为本地负载均衡和地域负载均衡(全局负载均衡)，前一种是指对本地的服务器集群做负载均衡，后一种是指对分别放置在不同的地理位置、在不同的网络及服务器群集之间作负载均衡。 服务器群集中每个服务结点运行一个所需服务器程序的独立拷贝，诸如Web、FTP、Telnet或e-mail服务器程序。对于某些服务（如运行在Web服务器上的那些服务）而言，程序的一个拷贝运行在群集内所有的主机上，而网络负载均衡则将工作负载在这些主机间进行分配。对于其他服务（例如e-mail），只有一台主机处理工作负载，针对这些服务，网络负载均衡允许网络通讯量流到一个主机上，并在该主机发生故障时将通讯量移至其他主机。 二、负载均衡技术实现结构 在现有网络结构之上，负载均衡提供了一种廉价有效的方法扩展服务器带宽和增加吞吐量，加强网络数据处理能力，提高网络的灵活性和可用性。它主要完成以下任务： 1.解决网络拥塞问题，服务就近提供，实现地理位置无关性 2.为用户提供更好的访问质量 3.提高服务器响应速度 基于遗传算法的BP神经网络的应用 ----非线性函数拟合 摘要人工神经网络在诸多领域得到应用如信息工程、自动控制、电子技术、目标识别、数学建模、图像处理等领域，并且随着神经网络算啊发的不断改进以及其他新算法的结合，使其应用的领域越来越广。BP神经网络是目前神经网络领域研究最多应用最广的网络，但BP神经网络学习算法易陷入局部极小的缺陷，本文采用遗传算法来优化BP神经网络的性能。首先采用遗传算法来优化BP神经网络的权值和阈值，然后将这些优化值赋给网络得到优化的BP神经网络，最后用MATLAB仿真平台，对非线性函数的逼近拟合和极值寻优问题进行实验。数值仿真结果表明：经遗传算法优化的BP神经网络能有效地避免原始BP神经网络容易出现的局部极小的缺陷，且具有收敛速度快和精度高等优点。 关键词：BP神经网络遗传算法 MATLAB 结构优化 Abstract— In recent years, artificial neural network gradually attention has been paid into the hot area of research in many fields have been involved in electronic applications such as other fields have a wide range of applications, and also continued to expand its applications. To alleviate the shortcoming of easily sinking into the local minimum existing in the BP neural network, the paper exploits the genetic algorithm to optimize the BP neural network. First of all, the genetic algorithm is utilized to optimize the weight values as well as the threshold values of the BP neural network. Subsequently, by using the optimized weight values and threshold values, we are able to get the improved BP neural network. Furthermore, we employ the simulation data to measure the performance of the improved BP neural network. The numerical results indicate that the optimized BP neural network can effectively overcome the local minimum of the original BP neural network and outperform the original BP neural network in the aspects of convergence speed and DNAT负载均衡功能配置案例 DNAT负载均衡功能配置案例(设置内网服务器对互联网提供服务) 拓扑图如附件所示。 需求说明：内网有三台http服务器（192.168.2.2/3/4）要对外提供服务，使用的外网口地址是192.168.0.2，需对外提供负载均衡的功能。后续准备还要增加邮件、ftp等服务器。同时，允许这些服务器能够方便在家休息时的网管人员能管理远程的服务器。 具体配置如下： address "cluster1" range 192.168.2.2 192.168.2.4 host "192.168.2.2" host "192.168.2.3" host "192.168.2.4" exit service "rdp" tcp dst-port 3389 timeout 1800 exit interface vswitchif1 zone "trust" ip address 192.168.2.1 255.255.255.0 manage ssh manage ping manage http manage https exit interface ethernet0/1 zone "untrust" ip address 192.168.0.21 255.255.255.0 manage ssh manage ping manage https exit ip vrouter trust-vr ip route 0.0.0.0/0 192.168.0.1 exit policy from "trust" to "untrust" rule id 2 action permit src-addr "Any" dst-addr "Any" service "Any" exit exit policy from "untrust" to "trust" rule id 3 action permit src-addr "Any" dst-addr "Any" service "HTTP" service "FTP" service "POP3" service "PING" service "SMTP" service "rdp" service "ICMP" exit policy from "l2-trust" to "l2-trust" rule id 4 action permit src-addr "Any" 案例3：基于遗传算法的BP神经网络优化算法 ******************************************************************************* **** 论坛申明： 1 案例为原创案例，论坛拥有帖子的版权，转载请注明出处（MATLABSKY论坛，《MATLAB 智能算法30个案例分析》 2 案例内容为书籍原创内容，内容为案例的提纲和主要内容。 3 作者长期驻扎在板块，对读者和会员问题有问必答。 4 案例配套有教学视频和完整的MATLAB程序，MATLAB程序在购买书籍后可以自由下载，教学视频需要另外购买。 MATLAB书籍预定方法和优惠服务：https://www.wendangku.net/doc/f518670442.html,/thread-9258-1-1.html 点击这里，预览该案例程序：https://www.wendangku.net/doc/f518670442.html,/znsf/view/s3/GABPMain.html 已经预定的朋友点此下载程序源代码：https://www.wendangku.net/doc/f518670442.html,/thread-11921-1-1.html * ******************************************************************************* ** 1、案例背景 BP网络是一类多层的前馈神经网络。它的名字源于在网络训练的过程中，调整网络的权值的算法是误差的反向传播的学习算法，即为BP学习算法。BP算法是Rumelhart等人在1986年提出来的。由于它的结构简单，可调整的参数多，训练算法也多，而且可操作性好，BP 神经网络获得了非常广泛的应用。据统计，有80%～90%的神经网络模型都是采用了BP网络或者是它的变形。BP网络是前向网络的核心部分，是神经网络中最精华、最完美的部分。BP神经网络虽然是人工神经网络中应用最广泛的算法，但是也存在着一些缺陷，例如： ①、学习收敛速度太慢； ②、不能保证收敛到全局最小点； ③、网络结构不易确定。 另外，网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但是又无法准确获得，针对这些特点可以采用遗传算法对神经网络进行优化。 本节以某型号拖拉机的齿轮箱为工程背景，介绍使用基于遗传算法的BP神经网络进行齿轮箱故障的诊断。 为了提高服务器的性能和工作负载能力，天互云计算通常会使用DNS服务器、网络地址转换等技术来实现多服务器负载均衡，特别是目前企业对外的互联网Web 网站，许多都是通过几台服务器来完成服务器访问的负载均衡。 目前企业使用的所谓负载均衡服务器，实际上它是应用系统的一种控制服务器，所有用户的请求都首先到此服务器，然后由此服务器根据各个实际处理服务器状态将请求具体分配到某个实际处理服务器中，对外公开的域名与IP地址都是这台服务器。负载均衡控制与管理软件安装在这台服务器上，这台服务器一般只做负载均衡任务分配，但不是实际对网络请求进行处理的服务器。 一、企业实现Web服务器负载均衡 为了将负载均匀的分配给内部的多个服务器上，就需要应用一定的负载均衡策略。通过服务器负载均衡设备实现各服务器群的流量动态负载均衡，并互为冗余备份。并要求新系统应有一定的扩展性，如数据访问量继续增大，可再添加新的服务器加入负载均衡系统。 对于WEB服务应用，同时有几台机器提供服务，每台机器的状态可以设为regular(正常工作)或backup(备份状态)，或者同时设定为regular状态。负载均衡设备根据管理员事先设定的负载算法和当前网络的实际的动态的负载情况决定下一个用户的请求将被重定向到的服务器。而这一切对于用户来说是完全透明的，用户完成了对WEB服务的请求，并不用关心具体是哪台服务器完成的。 二、使用网络地址转换实现多服务器负载均衡 支持负载均衡的地址转换网关中可以将一个外部IP地址映射为多个内部IP地址，对每次TCP连接请求动态使用其中一个内部地址，达到负载均衡的目的。很多硬件厂商将这种技术集成在他们的交换机中，作为他们第四层交换的一种功能来实现，一般采用随机选择、根据服务器的连接数量或者响应时间进行选择的负载均衡策略来分配负载。然而硬件实现的负载控制器灵活性不强，不能支持更优化的负载均衡策略和更复杂的应用协议。 基于网络地址转换的负载均衡器可以有效的解决服务器端的CPU和磁盘I/O负载，然而负载均衡器本身的性能受网络I/O的限制，在一定硬件条件下具有一定的带宽限制，但可以通过改善算法和提高运行负载均衡程序的硬件性能，来提高这个带宽限制。不同的服务类型对不同的服务器资源进行占用，我们使用的负载衡量策略是使用同一个负载进行评估，这对于大多数条件是适合的，然而最好的办法是针对不同的资源，如CPU、磁盘I/O或网络I/O 等，分别监视服务器负载，由中心控制器选择最合适的服务器分发客户请求。 三、使用DNS服务器实现负载均衡matlab遗传算法优化神经网络权值教程
服务器负载均衡技术
F5 BIG-IP负载均衡器配置实例与Web管理界面
遗传算法在BP神经网络优化中的应用.
简述负载均衡在网络中的应用
负载均衡技术的三种实现方法
基于遗传算法的BP神经网络MATLAB代码
windows网络负载均衡(多网卡单播)
遗传算法与神经网络的结合.
思科负载均衡的配置实例
遗传算法优化的BP神经网络建模[精选.]
服务器网络负载均衡实施方案
介绍遗传算法神经网络
H3C负载均衡项目配置手册
遗传算法优化BP神经网络的实现代码-共6页
集群的负载均衡技术综述
基于遗传算法的BP神经网络的应用
DNAT负载均衡功能配置案例
基于遗传算法的BP神经网络优化算法
实现服务器负载均衡常见的四种方法