【摘要】分析当前云平台负载均衡所面临的挑战，包括负载波动、不均衡和扩展性等问题。然后，提出了基于改进的长短期记忆

（ｌｏｎｇ ｓｈｏｒｔ⁃ｔｅｒｍ ｍｅｍｏｒｙ，ＬＳＴＭ）网络模型门控循环单元（ｇａｔｅ ｒｅｃｕｒｒｅｎｔ ｕｎｉｔ， ＧＲＵ）的云平台负载均衡优化模型，利用该模型对负载进

行预测，并且使用真实的云平台数据集进行验证。实验结果表明，该方法在减少响应延迟、平衡负载分布和提高资源利用率方面取得

了显著的性能提升。另外，基于ＧＲＵ 的云平台负载均衡优化模型与差分自回归移动平均模型（ａｕｔｏｒｅｇｒｅｓｓｉｖｅ ｉｎｔｅｇｒａｔｅｄ ｍｏｖｉｎｇ ａｖｅｒａｇｅ

ｍｏｄｅ， ＡＲＩＭＡ）、ＬＳＴＭ、优化的长短期记忆网络（ｒｅｆｉｎｅｄ⁃ＬＳＴＭ）模型相比，预测精度较高、训练速度更快、预测时间更短。实验表明，根

据预测结果，合理优化负载均衡可以降低运行成本。