loxilb项目新增LC(最少连接)负载均衡算法支持
背景介绍
loxilb是一个高性能的负载均衡器项目,它支持多种负载均衡算法来优化后端服务器的流量分配。在最新更新中,loxilb增加了对LC(Least Connections,最少连接)算法的支持,进一步丰富了其负载均衡能力。
LC算法原理
最少连接(LC)算法是一种动态负载均衡策略,其核心思想是将新连接分配给当前活跃连接数最少的后端服务器。这种算法特别适合处理长连接场景,如数据库连接、WebSocket等,能够有效平衡各后端服务器的负载。
相比传统的轮询(RR)或加权轮询(WRR)算法,LC算法能更精确地反映服务器的实际负载情况,因为它考虑了每个服务器当前处理的连接数,而不仅仅是简单的轮转或权重分配。
loxilb中的LC实现
loxilb通过以下两种方式支持LC算法的配置:
1. 使用loxicmd命令行工具配置
通过loxicmd命令可以快速创建基于LC算法的负载均衡服务:
loxicmd create 20.20.20.1 --tcp=2020:8080 --endpoints=31.31.31.1:1,32.32.32.1:1,33.33.33.1:1 --select lc
这条命令创建了一个监听20.20.20.1:2020端口的服务,将流量转发到三个后端服务器(31.31.31.1:8080, 32.32.32.1:8080, 33.33.33.1:8080),并使用LC算法进行流量分配。
2. 使用kube-loxilb的Kubernetes配置
对于Kubernetes环境,可以通过Service资源的annotations来指定LC算法:
apiVersion: v1
kind: Service
metadata:
name: sctp-lb
annotations:
loxilb.io/lbmode: "fullnat"
loxilb.io/epselect: "lc"
spec:
loadBalancerClass: loxilb.io/loxilb
externalTrafficPolicy: Local
selector:
what: sctp-lb
ports:
- port: 56004
protocol: SCTP
targetPort: 9999
type: LoadBalancer
在这个示例中,通过loxilb.io/epselect: "lc"注解指定了使用LC算法,同时配置了SCTP协议的负载均衡服务。
技术优势
loxilb实现LC算法具有以下技术特点:
-
实时连接数跟踪:loxilb会实时维护每个后端服务器的活跃连接数,确保分配决策基于最新数据。
-
高性能实现:即使在大量连接情况下,算法实现也能保持高效,不影响整体转发性能。
-
与其他特性的兼容性:LC算法可以与loxiclb的其他特性如fullnat模式、多种协议支持等无缝配合使用。
-
平滑过渡:对于已有服务,可以无缝从RR/WRR切换到LC算法,无需中断现有连接。
适用场景
LC算法特别适合以下场景:
- 后端服务器处理能力差异较大的环境
- 连接持续时间长短不一的服务
- 需要更精确负载均衡的长时间运行服务
- 后端服务器性能不均衡但无法简单通过权重表示的部署
总结
loxilb新增的LC算法支持为复杂负载均衡场景提供了更精细的控制能力。通过动态考虑后端服务器的实际连接负载,而非简单的轮询或静态权重分配,能够实现更优的资源利用率和更均衡的流量分布。这一特性的加入使得loxilb在负载均衡算法支持方面更加全面,能够满足更多样化的部署需求。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00