在我实现简单的负载均衡服务时，我认为Big-O是其未来性能和可扩展性的关键因素。但我找不到关于两种算法的大O的参考（WRR＆amp; RR）。
我试着计算它们。
（警告我的计算可能有误，但我会在得到正确答案后立即编辑帖子）
正＆GT;服务节点数（和权重）
Z-＆GT;等待/未完成任务的数量
对于WRR：O（n n z）
对于RR：O（z ^ 2）
For WRR: O(1)
For RR: O(1)
所以真正的问题是，如果我的计算是正确的，但最重要的是哪种算法在连续负载平衡（每个运行节点）的情况下执行速度最快，每秒提交数千个任务。
一些有用的参考资料：
干杯！
答案 0 :(得分：0)
那么您需要测量的是什么？由于大O用于算法性能，因此测量合理的是每个调度决策的时间复杂度，即将一个任务与一个节点匹配需要多少操作。
就绪节点列表和等待任务列表都可以实现为队列，队列上的操作可以实现恒定的摊销时间。因此，除了需要为队列分配新内存所需的时间外，您还可以在O（1）中运行。
如果您的权重是固定的并且commensurable，那么您也可以在这里实现相同的复杂性：只需将每个节点放入循环队列中几次，与其权重成比例。可以制定算法以在队列中均匀地分隔它们。对于大多数实际应用，一些中等量化将导致权重，可以表示为（即缩放到）合理的小整数。
您是否收到有关您的节点是忙还是空闲的反馈？如果你这样做，那么RR应该运作得很好，因为你没有说明任何公平要求。如果您没有闲置的反馈，那么WRR可能有意义。但在这种情况下，公式中的z数字似乎有些令人困惑，因为如果您不知道节点是否已准备好接受它们，那么任务如何等待？如果他们正在等待，因为平衡器无法足够快地处理它们，那么这对您的考虑仍然不重要，因为您可以将任务队列想象为之前调度算法：该队列的长度对调度程序中发生的事情没有影响。再次假设所有任务对您来说都是相同的，没有优先级，QoS保证或类似的元信息。