随着互联网技术的广泛应用以及互联网新兴业务的快速发展,网络流量迅速增大。为了提高信息服务系统的可靠性和安全性,微服务架构应运而生。微服务架构结合负载均衡技术,可以将请求合理的分发给各个服务节点,达到平衡负载,缓解压力的效果。从而在高并发的情况下,依然能保证系统的高效性和可靠性。其中选择一个合适的负载均衡算法就显得尤为重要。动态负载均衡算法中的最快响应时间算法根据请求的响应时间来分配请求,能够达到动态实时分配的效果。但仅以响应时间一个指标来衡量服务节点的负载往往不够准确。本文主要研究了Nginx服务器以及相关的负载均衡算法,并对最快响应时间算法做了如下的研究与改进:首先,本文基于最快响应时间算法,引入系统资源利用率,提出了将QRT（Quick Response Time,最快响应时间算法）与GA（Genetic Algorithm,遗传算法）相结合的QRT-GA算法优化策略。针对微服务架构下的高并发场景,QRT-GA算法有效提高了响应速度的同时,也保证了集群的负载平衡度。其次,本文在改进负载均衡算法的同时,采用机器学习时序模型SARIMA模型进行请求流量大小的预测。以预测流量和每个工作周期开始时实际测出的负载之和来衡量每个工作周期内服务节点的负载,解决了负载不是实时更新的问题。从而有效提高了集群负载均衡度和整个系统的运行效率。最后本文基于传统的微服务架构在负载均衡器下引入网关集群,并通过服务类型来隔离不同的服务集群,有效缓解了高并发环境下负载均衡器和负载均衡节点的压力,提高了整个集群的可用性和运行效率。通过实验对比,本文提出的QRT-GA算法相较于其它算法在保证整个系统的负载均衡度的同时,又有效降低了系统平均响应时间,增加了整个集群的吞吐量,提升了整个系统的负载性能。