传统互联网在服务质量、资源利用率、管控能力和传输效率等方面暴露出诸多弊端,智融标识网络通过全网多空间、多维度资源的智慧融合实现网络资源的灵活分配和个性化服务的按需供给,为新型网络架构提供一种可行的研究方向。在智融标识网络中,通过引入控制器集群可以有效解决单一控制器存在的可扩展性和可靠性问题。但当控制器与交换机的映射关系是静态配置时,波动的网络流量会导致集群负载分布不均,部分控制器可能过载以及响应时间过长,进而影响集群的整体处理能力。针对这一问题,本文依托于国家重点研发计划“智慧融合的新型路由交换设备研究与验证"项目（2018YFE0206800）,提出两种高效的智能控制器集群负载均衡机制,旨在有效地改善智融标识网络下控制器集群负载分布不均的问题。本文的主要工作和创新点如下:（1）明晰控制器集群工作机理,并理论分析集群负载均衡问题。首先,研究智融标识网络下控制器集群负载均衡架构,分析“三层、三域”的运行机制与相互协作关系。其次,从两方面对负载均衡问题进行理论分析。一方面,分析非智能集群负载均衡机制易陷入复杂度过高和决策时间过长的问题。另一方面,分析单智能体集群负载均衡机制在可扩展性和鲁棒性方面存在的问题。最后,针对上述问题,提出两种智能集群负载均衡框架,为后续研究奠定理论基础。（2）提出一种基于深度强化学习的控制器集群负载均衡机制,以提升负载均衡效率,提升用户体验。该机制基于动态交换机迁移和网络全局状态建模,以最小化集群负载标准差为均衡目标,通过采用集中式监控和PERDDQN（Prioritized Experience Replay Double Deep Q-Learning）算法实现高性能、低复杂度的集群负载均衡。此外,该机制同时引入冷却期和单次最大可迁移交换机数量以避免集群负载发生震荡。理论性能评估表明,与国内外前沿方案相比,该机制的均衡性能至少提升30%,同时决策所需时间大幅度降低。（3）提出一种基于多智能体深度强化学习的控制器集群负载均衡机制,在进一步提升均衡性能的同时,缓解单智能体均衡机制单点故障和优化目标单一的问题。该机制通过引入多智能体深度强化学习和基于网络局部状态建模,有效降低了深度强化学习模型的复杂度和训练难度。除集群负载标准差之外,该机制还充分考虑网络中多种影响均衡性能的因素,旨在进一步提升均衡性能和效率。同时,该机制通过采用分布式监控有效解决单点故障这一可靠性问题,但代价是需要额外的资源来解决可能引起的负载均衡冲突。理论性能评估表明,得益于模型状态空间和动作空间的优化,该机制的均衡性能和效率有着进一步的提升,尤其是在集群规模较大时。