DNS加站点，且来看看我出的招

DNS站点优化...



文章出处：Yilan Liao, Wenwen Chen, Kaichao Wu, Dongyue Li, Xin Liu, Guanggang Geng, Zheng Su, Zheng Zheng(2016): A site selection method of DNS using the particle swarm optimization algorithm. Transactions in GIS.

域名系统（Domain Name System，DNS）是互联网功能的重要组成部分，随着互联网用户数量的增加，DNS的访问量也迅速增加，而DNS站点的优化配置已成为一个非常重要的问题。本文为新的DNS站点的选择提供了解决方案，该方案也可以扩展到解决其他与布局相关的问题。

1[b]主要研究内容

世界上已有的DNS解析站点网站如下图a所示，下图b是世界上279个主要城市，这些主要城市被选为新的DNS站点的备选点，



按理说，DNS站点网站越多，效果就越好。然而，这也将增加成本，访问距离与DNS站点构建成本的关系如下图b所示，



上图显示构建一个站点可以明显缩短访问距离，并且增加三个DNS站点的收益最大。因此，本文从两方面来讨论DNS站点优化，一种是增加一个DNS站点，另一种是添加三个DNS站点。所用数据来自于从2013年11月8号到2013年11月14号连续7天的DNS访问数据。下图a、b显示了在数据中随机抽取的两个站点的统计情况，其中一个站点的分析能力较小，另一个站点的分析能力较大，这两个站点在这7天的时间里的分析能力曲线都有特定的趋势。分析能力较小的站点的分析能力曲线基本一致，而分析能力较大的站点的分析曲线却不一致。



上图c显示了已存在的DNS数据的分析能力统计情况，图d是全球DNS站点的访问源，图e和图f分别是DNS访问源在全球和中国的数据分段显示。主要的DNS访问源包括中国、美国、俄罗斯和日本，而在中国，在发达的东部地区访问要求要高于西部地区。

一个方面是在已有DNS站点上增加1个新站点。文章选择高于平均访问量的1805个点作为访问源，利用粒子群优化算法（PSO）来寻找新增站点的最优位置。PSO算法是一种通过模拟鸟群觅食行为而发展起来的一种随机搜索算法（具体原理请点击原文链接查看原文）。算法最后寻找到的最优站点位于西班牙坎塔布里亚东北部，由于此处位于一个岛屿上，所以选择离它最近的主要城市，也就是西班牙的马德里，如下图a所示。另外，为了验证结果是否最优，文章引入模拟退火（SA）和遗传算法（GA）来作对比试验。SA算法是一种模拟固体退火的原理的随机寻优算法，GA算法是一种通过模拟自然进化过程搜索最优解的方法（具体原理请点击原文链接查看原文）。SA算法寻找到的最优点与PSO的结果一致，如下图a所示，而GA算法寻找的最优站点如下图b所示，三个算法的结果之间的差异可以从下图c中看出。实验除了计算增加新站点之后的访问距离总和，计算了算法寻优过程的时间，还通过重复实验比较了算法的稳定性，如下表所示，



结果显示，PSO算法由较低的访问距离，花费了较少的时间，并且更加的稳定。



另一个方面是在已有DNS站点上增加3个新站点，这是一个多目标优化问题。文章利用多目标粒子群优化算法来寻找新增站点的最优位置。算法最后寻找到的三个最优站点分别位于俄罗斯的索契、巴西的圣保罗、澳大利亚的悉尼，他们的经纬度分别为(39.72, 43.58)、(246.63, -23.57)和(150.88, -33.92)，如上图d所示。

最后，文章还对PSO算法参数的选择进行了讨论。PSO的主要参数包括w，c1，c2以及Vmax。文章中Vmax受到粒子范围的限制，当Vmax超过阈值时，将初始速度长度设置为阈值，因此文章着重讨论w不变时c1和c2的变化，以及c1和c2不变时w的变化。下图a、b、c、d、e、f分别表示c1=c2=2，w=0.7、0.8、0.9、1.0、1.1和1.2时PSO的离线和在线性能曲线。结果表明，当w值较大时，全局收敛能力强，局部收敛能力弱；当w值较小时，局部收敛能力强，全局收敛能力弱。当w在[0.8-1.2]范围内时，收敛速度更快，当w>1.2时，该算法会陷于局部极值。



根据上面第一幅图a，当w=0.7或0.8时，结果最优。因此，文章将选择w=0.8。如果w=0.8，不管c1和c2的值如何，算法的结果不受影响，文章选择c1=c2=2。在多目标粒子群优化中，也对参数变化的影响进行了评估。研究表明，当迭代次数设置为300时，初始粒子群数目为100，w为0.3或0.4，c1=c2=2时，适应度函数达最优，如下图所示。



2[b]主要结论

基于以上分析，本文提出了新的DNS站点选择的解决方案，分别使用粒子群算法增加一个新站点和多目标粒子群优化算法增加多个站点。比较粒子群优化、遗传和模拟退火算法的结果，证实了粒子群算法有更高的精度和稳定性。另外，提出的方法也可以扩展到解决其他与布局相关的问题，如现场设施布局和道路网优化。

【更多细节和技术问题请点击原文链接】

    关注 空间分析