在数据规模日益庞大的今天,单机的存储容量显然已经无法满足企业的数据存储需求,分布式存储系统在此背景下应运而生。分布式存储系统中的节点规模庞大,各个节点的配置存在差异,不同类型的请求给节点带来的负载压力也不同,给负载管理带来了巨大挑战。无元数据存储系统的负载均衡算法需要保证海量的数据能够根据不同节点的负载情况被分配到系统的诸多存储节点上,在系统发生负载不均的情况下,通过负载数据迁移均衡节点间负载的同时,也造成了系统服务能力的降级。针对无元数据索引的分布式存储系统因负载均衡而带来的服务能力降级问题,论文提出基于ARIMA模型的负载时序预测策略,根据无元数据索引分布式存储系统的CPU、内存、磁盘以及网络带宽等历史负载时序信息,预测未来一段时间内集群的负载变化趋势,根据预测结果能够更好地分配资源;提出基于动态阈值的负载均衡策略,利用负载预测变化趋势和系统实时的负载状态信息,计算适合系统当前状态的负载均衡策略的阈值,决定平衡节点间负载所需要迁移的最小数据量,解决了系统负载均衡与用户I/O之间的资源需求矛盾,在系统高负载时牺牲部分负载均衡性可以明显提升用户I/O的效率,在系统低负载时利用节点的空闲资源完成负载迁移,减少了高负载状态下节点间负载迁移对系统服务质量的影响。实验结果表明,基于Swift框架实现了基于动态阈值的负载均衡策略,在降低系统负载不均衡性、提高系统资源利用率和提升用户I/O效率方面均取得了显著提升。相较于传统的Swift系统负载均衡算法,在不同时刻的负载波动方差减少了30%以上,节点间负载平衡性提升了50%以上,用户I/O请求完成时间减少了10%以上;相较于基于I/O的负载均衡算法,节点的I/O完成时间平均缩短了7%~8%,负载波动性降低了40%以上。