随着互联网与计算机技术的发展,大量用户的任务请求给服务器带来了巨大压力,单台服务器显然已经无法满足用户的需求,因此服务器集群技术应运而生。负载均衡技术是集群系统中的关键技术之一,其均衡服务器负载能够保证系统持续正常地运行,进而提高系统的整体性能。本文从负载均衡排队系统建模、负载综合指标的构建和预测、任务调度策略等几个方面对负载均衡算法进行了研究,具体内容如下所述:本文提出一种基于排队论综合指标评估的动态负载均衡算法。从构建负载综合指标角度出发,现有的负载均衡算法均是以CPU、内存、进程等参数的占用率来评估服务器当前的负载情况,但服务器负载情况的复杂性往往使其难以准确评估。针对该问题,首先引入排队论理论建立负载均衡排队模型,然后利用排队论构建各服务器负载综合指标,最后根据各服务器的负载综合指标评估服务器的实时负载情况,将输入队列中的任务逐一分配到各服务器。本文提出了一种基于排队论建模的动态指数平滑预测负载均衡算法。在定期采集负载信息的过程中,如果时间间隔过小,频繁采集负载信息会增加耗时、耗能;如果时间间隔过大就会导致负载评估指标有一定的滞后性,造成较大的误差。针对该问题,首先在利用排队论构建负载综合指标的基础上引入动态自适应指数平滑模型,对下一时刻的负载情况进行预测,然后任务调度器根据各服务器的负载预测值进行任务分配。本文提出了一种基于贪心算法的改进动态负载均衡算法。从输入队列角度出发,由于到达服务器的任务大小不一,仅根据负载情况来求解最佳目标服务器,可能会导致负载分配不合理,任务等待时间变长。针对该问题,首先对输入队列中的任务进行局部排序;其次引入排队论模型评估各服务器负载情况,然后引入动态自适应指数评估模型对负载综合指标进行预测;最后根据贪心算法的思想构建任务调度策略,将输入队列中的任务批量分配给各服务器。本文在人脸检测的Ada Boost分类器并行训练中引入集群与负载均衡算法,通过有效均衡服务器的负载来减少Ada Boost分类器的训练时间。本文建立了负载均衡算法仿真平台,对所提负载均衡算法与应用进行对比实验与分析,实验结果表明,负载均衡算法取得了良好的负载均衡效果,有效减少了任务平均等待时间,并且在人脸检测Ada Boost分类器并行训练中有效减少了分类器训练时间。