主要观点：

• 介绍了“best of k”在分布式系统负载均衡中的应用及优势，如比随机分配更优的负载分布、对陈旧数据更鲁棒、可在 O(1)时间运行等，且允许无状态的多个调度器/负载均衡器独立工作，便于容错分布式负载均衡。
• 指出在许多实际系统中，每个工作节点有最大容量限制，朴素的“best of k”会导致拒绝，提出迭代变体来解决此问题。
• 通过模拟和分析，得出“best of k”虽强大但并非万能，在某些情况下需采用不同方法，如在容量有限的情况下，随着利用率上升，寻找空闲节点会更困难，且不同的 k 值和容量限制 c 对搜索次数有影响。

关键信息：

• “best of k”算法：从 n 个工作节点中选 k 个，将请求发送到负载最小的那个，k 通常较小如 2 或 3。
• 容量限制情况：每个工作节点有最大容量 c，朴素“best of k”会导致拒绝，迭代变体在系统容量满足 m ≤ nc 时最终会成功。
• 模拟结果：随机分配（k = 1）和“best of 2”（k = 2）在不同 c 值下的搜索次数比较，“best of 2”和“best of 3”在整个范围内优于随机分配，但在低 c 时仍需更多搜索。
• 概率分析：推导了“best of k”中 k 次选择包含 j 个空工作节点的概率分布公式，进而得到每次尝试成功的概率及迭代算法成功前的平均尝试次数。

重要细节：

• 文中通过多个链接提供了相关模拟结果和其他相关内容的参考。
• 强调了在“best of k”中是无放回选择 k 个工作节点，且给出了相关概率公式的推导过程。