近年来,伴随着互联网技术的不断拓展和云计算技术的广泛应用,数据中心发挥着越来越重要的作用。数据中心作为云计算技术的核心基础设施,是数据传输、计算和存储的中心。数据中心同时运行着多种类型的服务,不同类型的服务对网络的要求也不相同,某些服务需要高的吞吐量,而某些服务对延迟非常敏感。大量突发性的流量,以及数据流快速转发,使数据中心网络中有的链路利用率低,但有的链路却频频发生拥塞。发生拥塞时,将会导致网络有效吞吐量下降,从而影响了数据中心的服务性能和服务质量。同时虚拟化的大量使用,也使得数据中心内部的流量极其复杂,难以控制。多对一的传输通信模式,使得TCP出现Incast问题,导致网络吞吐量急剧下降甚至崩溃,严重影响了数据中心网络的服务性能。而准确预测网络流量可以减少网络发生拥塞的频率,能够避免网络崩溃并确保网络的流畅性。可以通过分析和预测网络流量,提前掌握网络流量的特征和变化趋势,并根据预测的结果,设计相应流量调度策略,以避免了一些网络拥塞的发生,提升网络的性能,从而达到负载均衡的目的。针对上述问题,本文提出了一种基于粒子群算法(Particle Swarm Optimization,PSO)改进的长短期记忆(Long Short-Term Memory,LSTM)神经网络的网络流量预测模型,以及一种加权均衡轮询(Weighted Balancing Round-Robin,WBRR)的负载均衡算法,具体而言:1.针对LSTM神经网络模型的参数通常难以确定的问题,提出IPSO＿LSTM网络流量预测模型,利用改进的PSO算法对LSTM神经网络初始参数进行优化选择,然后使用训练好的IPSO＿LSTM模型进行了对比仿真实验,实验结果表明PSO＿LSTM模型的收敛速度更快,并且提高了预测精度。2.针对等价多路由算法在数据中心网络中面对突发流量负载均衡性能不佳的问题,提出了WBRR算法,该算法能够有效地解决一般路径选择机制中链路瓶颈和负载波动的问题,从而提高网络的带宽利用率,提高网络的吞吐量,降低排队等待的时延。