Server Load Balance

简介: No content

Server Load Balance

Introduction

  • 当存在多台服务器组成的后端被大量的IP访问时(或者DDos攻击),会造成某服务器的过载停机。
  • SLB(Server Load Balance)则是在动态地将访问流量转发给后端服务器群,确保每台主机的负载均衡。
  • 实现方式:计算资源虚拟化——应用服务池。SLB根据需求和后端状态,将服务池中的请求发送给多台服务器。

环境

  • CentOS x86 $\times$ 2
  • 二者部署的是同一个网站(但是后端IP是不同的机器)
  • SLB

ALi 的 SLB 配置

  • 工作台 --> 负载均衡 --> 开始配置实例
  1. 协议、监听:HTTP , 80端口
  2. 后端server:默认组,添加后端实例,端口都设置为80
  3. 提交

测试:验证SLB性能

  • 转发
  1. 访问SLB的公网IP --> 依次转发给不同的后端server
  2. 默认servers group:修改servers的权重
  3. 再次访问SLB公网IP --> 按照权重比例访问不同server
  • 会话保持、
  1. 监听 --> 配置 --> 高级 --> 开启会话保持 (180 s)
  2. 访问公网IP --> 保持在其中之一server上180 s
  • server异常测试
  1. 默认server group: 关闭该server
  2. 访问公网IP --> SLB转发到其余的server上了
相关实践学习
每个IT人都想学的“Web应用上云经典架构”实战
本实验从Web应用上云这个最基本的、最普遍的需求出发,帮助IT从业者们通过“阿里云Web应用上云解决方案”,了解一个企业级Web应用上云的常见架构,了解如何构建一个高可用、可扩展的企业级应用架构。
相关文章
|
存储 开发框架 程序员
在Avalonia项目中使用MediatR和MS.DI库实现事件驱动通信
AvaloniaUI是一个强大的跨平台.NET客户端开发框架,让开发者能够针对Windows、Linux、macOS、Android和iOS等多个平台构建应用程序。在构建复杂的应用程序时,模块化和组件间的通信变得尤为重要。Prism框架提供了模块化的开发方式,支持插件的热拔插,而MediatR则是一个实现了中介者(Mediator)模式的事件订阅发布框架,非常适合用于模块之间以及模块与主程序之间的通信。
|
机器学习/深度学习 算法 Python
LightGBM中的特征选择与重要性评估
LightGBM中的特征选择与重要性评估【2月更文挑战第1天】
3108 0
|
安全
CNVD-2021-49104——泛微E-Office文件上传漏洞
CNVD-2021-49104——泛微E-Office文件上传漏洞
1350 1
CNVD-2021-49104——泛微E-Office文件上传漏洞
|
存储 缓存 JSON
Unity资源热更新知识梳理及工作流介绍
研究了大半年的热更,才做出了一套相对完善的热更架构。不得不说,这块的知识点还是多而杂的,值得专门开篇博文来记录梳理。
3590 0
|
Java 大数据 Maven
jdk17出现错误无法初始化主类 和NoClassDefFoundError:Vector的解决方法
在JDK 17中使用孵化模块Vector时遇到的“无法初始化主类”和“NoClassDefFoundError: Vector”错误的解决方法,通过在Maven项目中配置编译插件、编写测试代码、配置Java运行时环境,并提供了运行项目的示例。
861 9
jdk17出现错误无法初始化主类 和NoClassDefFoundError:Vector的解决方法
|
存储 缓存 人工智能
Redis六大常见命令详解:从set/get到过期策略的全方位解析
本文将通过结构化学习路径,帮助读者实现从命令语法掌握到工程化实践落地的能力跃迁,系统性提升 Redis 技术栈的应用水平。
|
存储 人工智能 缓存
《记忆革命:Gemini 1.5如何让Transformer突破百万级上下文枷锁》
Gemini 1.5突破传统Transformer上下文限制,实现百万级token处理能力。通过“工作记忆”与“长期记忆”双层结构,结合语义压缩、记忆路由及解耦计算存储,大幅提升效率。它模拟人脑记忆机制,强化长文档理解、代码推理和跨模态关联能力,为AI认知范式带来革命性转变,开启结构化记忆与动态调控新方向。
646 2
|
分布式计算 数据库
Mapreduce中的Mapper&reducer
【9月更文挑战第19天】在 MapReduce 框架中,Mapper 和 Reducer 是处理大规模数据集的关键组件。Mapper 负责将输入数据分割成键值对,而 Reducer 则对这些键值对进行汇总处理,生成最终结果。两者通过并行处理和分布式计算协同工作,Mapper 将数据转换为键值对,Reducer 对相同键的值进行聚合。开发人员需实现相应接口并编写定制逻辑,以充分利用框架优势,处理大规模数据集并获得有价值的结果。
935 8
|
监控 网络协议 网络性能优化
如何办理支持UDP协议的网络
在当今网络环境中,UDP(用户数据报协议)因传输速度快、延迟低而广泛应用于在线游戏、视频流媒体、VoIP等实时服务。本文详细介绍了办理支持UDP协议网络的方法,包括了解UDP应用场景、选择合适的ISP及网络套餐、购买支持UDP的设备并进行优化设置,以及解决常见问题的策略,帮助用户确保网络稳定性和速度满足实际需求。
|
JavaScript 前端开发 网络架构
JavaScript的数组教程(最详细,更新至es6新语法)
JavaScript的数组教程(最详细,更新至es6新语法)