随着无线通信用户数量的指数性增长, 宏小区用户数量超负荷, 边缘用户受邻近微小区的干扰逐步加剧, 导致整个小区的通信服务质量降低。为解决这些问题, 针对双层无线异构网络场景, 结合粒子群优化算法和小区范围扩展技术动态地调整微小区服务区域, 寻找出小区范围扩展最优偏置值, 缓解宏小区高热点区域负载压力并提高系统用户平均传输速率。仿真结果表明, 相比静态小区范围扩展偏置值算法, 利用动态小区范围扩展偏置选择的宏小区用户数量下降了近 10%, 即卸载了部分宏用户使其接入微小区, 达到为宏小区减负的效果; 微小区边缘用户的信干噪比相应提高了约 2 dB, 系统用户平均传输速率提高, 整个小区的通信服务质量有较大提升。

为改善软件定义网络(SDN)负载均衡问题, 对传统的蚁群算法进行改进, 并结合服务器负载均衡算法, 提出一个改进型的联合算法。该算法使用加权最小连接调度算法, 服务器端选择负载最小的服务器, 并利用改进蚁群算法(Im-ACO)选择到达所选服务器的最佳路径。理论分析及实验结果表明, 提出的联合算法使网络性能得到显著提高, 网络吞吐量更高, 丢包率更低。

提出基于用户业务分布的卫星光网络负载均衡路由与波长分配（LBRWA）算法，利用蚁群算法寻找最优光路径，实现了卫星光网络负载平衡。建立基于全球用户业务分布的卫星光网络LBRWA优化模型，根据链路持续时间和波长空闲率搜寻下一跳链路，同时引入随机扰动，避免局部最优。利用全球用户流量强度分布模型修正统计平均光路径成本，实现链路状态更新，将流量引向非热点区域卫星节点，为用户请求寻找负载均衡的最优光路径。研究结果表明，与传统基于链路状态的弹性负载均衡（ELB）算法相比，LBRWA算法将拥塞率降低了20.49%，且在资源利用率、业务分布指数和最大归一化星间链路负载方面具有更好的性能，有效地实现了卫星光网络负载均衡。

针对低功耗有损网络 (LLN)中由于节点部署不均匀易导致负载不均衡的问题, 提出一种基于负载均衡的高能效 LLN路由算法 (EELB-RPL)。通过将链路质量、传输时延、节点剩余能量、吞吐量以及拥塞检测因子等因素相结合选出最优父节点;再通过调整溪流计时器, 使节点根据网络拓扑密度调整自身抑制机制, 避免了抑制不公平性导致负载不均衡。仿真结果表明, 所提算法与现有算法相比较, 能够有效实现负载均衡。其中, 数据包投递率提升了 14.6%, 根节点吞吐量提升了28.5%, 网络平均寿命提升了 8.96%。

随着软件定义光网络(SDON)规模的增大, 需多个控制器共同为全网提供服务, 而控制器负载均衡问题影响到全网服务能力和网络生存性。提出一种基于贝叶斯网络的SDON控制器自学习负载均衡算法。首先, 在考虑控制器负载、控制器吞吐量和光交换机迁移时延等控制器相关参数的情况下, 利用贝叶斯网络预测负载拥塞程度; 其次, 结合强化学习算法作出最优动作决策, 并利用反馈机制实现参数权重的自我调节, 从而调整控制器负载拥塞程度实现负载均衡。仿真结果表明: 与Q-learning算法相比, 该算法更好地实现了控制器负载均衡功能, 更快地提高了负载均衡效率。

针对多异构网络重叠覆盖、多用户多业务共存环境下, 用户最大化传输速率易致网络负载不均衡的问题, 提出一种基于非支配排序遗传算法的业务接入控制方法。该方法首先以传输速率最大化及网络负载最均衡为目标, 以带宽资源受限为约束, 构建了传输速率最大化及网络负载最均衡的双目标优化模型; 然后基于多目标优化方法非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm Ⅱ, NSGA-Ⅱ)求解该业务接入控制问题。仿真结果表明, 所提算法兼顾了用户的传输速率需求及网络间的负载均衡, 取得较好的效果。

为满足数据中心网络在高并发量、低尾延时等性能上的需求, 提出一种面向数据中心网络的分布式负载均衡网关架构。该新型网关架构主要包括资源池化汇聚算法、优先调度算法和动态负载均衡算法等 3个核心算法模型。基于该架构, 借助现场可编程门阵列 (FPGA)实现智能网关的整体设计。通过第三方测试, 基于分布式负载均衡网关架构的智能网关可针对数据包的关键信息实现灵活、可扩展的负载均衡, 线速可达 9.4 Gbps(不丢包), 线速为10 Gbps的丢包率约 5%, 端口时延为 2 μs。与通用的负载均衡方案 (软件负载均衡与硬件负载均衡 )相比, 分布式负载均衡网关架构采用基于数据包优先调度的负载均衡策略和硬件存储资源智能 “池化”的流量管理, 保障了数据中心网络系统中百万级数据流的高效分发, 提升高并发量、低时延应用的性能。在面向百万条并发情况下, 网络链路响应尾延时小于 60 ms。

针对软件定义网络中控制器管理的交换机流量分布不均衡问题，提出一种基于奇异值分解性能预测(PSVD)的交换机动态迁移算法。首先结合当前负载以及过去相似时刻的负载来预测未来时刻的控制器负载信息，然后将目前具有最大资源占用率的交换机迁移至低负载且未来时刻仍然处于低负载状态下的目标控制器。实验结果表明，该算法提高了控制器的资源利用率，实现了控制器的负载均衡，同时缩短了控制器的响应时间。

传统的集中式人脸识别方法在时间效率和可扩展性等方面存在不足, 已经不能满足大规模实时人脸识别的需求。针对这个技术瓶颈, 本文提出了一种分布式人脸识别方法, 该模型由多个代理和一个服务器组成。代理能够同时对多个视频中的行人进行检测、跟踪以及特征提取, 服务器则对视频中的行人执行识别操作。针对代理处理的任务分布不均而导致处理视频时间过长、任务量过大引起的CPU利用率激增问题, 设计了代理的负载均衡来进行性能优化。利用代理统计处理的视频总数及每个视频中的行人数, 并将统计数据发送给服务器。服务器通过负载均衡将视频重新分配给每个代理进行人脸识别。实验结果证明, 分布式人脸识别有效地提高了人脸识别方法的效率和可扩展性。对一些较为极端的实验例子, 经过性能优化后, 代理中最大的CPU利用率降低近40%, 有效地缓解了时间延迟问题。

通信技术的快速发展及用户需求的日益增长, 导致小区业务负载分布出现越来越不均衡的现象, 针对此问题, 提出一种适用于LTE(长期演进)系统的基于负载预分配的移动负载均衡算法。当小区过载时, 利用层次分析法选择最优目标小区, 然后根据目标小区负载情况预分配过载小区负载量, 再通过可变步长调整小区独立偏置, 转移过载小区用户, 实现小区间负载均衡。研究结果表明, 该算法提升了小区间负载均衡度, 减少了系统切换次数, 增强了用户体验。