随着互联网技术的迅猛发展,网站应用的规模不断扩大。常规的软件系统架构已经无法应对系统性能与高并发之间的平衡,微服务架构因此应运而生,其凭借着轻量级的服务和高效的集中化管理模式以及独立的部署方式得到了业界的一致好评。为了在高并发场景下能保持系统的可用性和高效性,对微服务架构设计使用更优的负载均衡算法来充分发挥服务器节点的性能显得尤为重要。本文提出使用改进的加权最小连接数算法来提升微服务系统的负载均衡能力,并使用机器学习算法对服务请求类型进行预测。将预测结果使用改进的负载均衡算法实现服务请求的预分配。本文基于加权最小连接数算法做了如下的研究:首先,本文基于最小连接数算法,引入系统资源利用率作为负载评估指标,提出一种基于加权最小连接数的动态自适应负载均衡算法。通过消息队列周期性的采集服务节点的CPU、内存、磁盘IO、网络带宽以及请求连接数的利用率等负载指标信息,使用线性综合法构建的负载评估函数计算出各服务节点的权重值。并对负载均衡器中各服务节点的权重进行周期性的调整,使负载均衡器能够根据集群中各服务节点的实时性能合理的分配请求,以提升服务器资源的利用率,充分发挥服务器的性能。然后,本文使用机器学习中的LSTM模型建模的方式对服务请求类型进行预测,再结合本文改进的负载均衡算法进行服务请求的预分配。将预分配的结果记录在集合中,当实际请求到来时,就根据集合中的预分配记录直接进行分配,从而快速命中服务节点,以提升整个系统的分配效率。最后,本文在微服务架构的基础上设计并搭建了新的系统架构,使用Nginx加网关集群的方式实现高可用的网关,使用JMeter软件对服务请求进行压力测试,通过对最小连接数算法、加权最小连接数算法以及本文提出的改进的算法进行实验对比,结果表明本文所改进的负载均衡算法表现出更好的节点负载平衡度,以及更快的响应时间和更高的吞吐率。