负载均衡算法包括轮询、加权轮询、随机、加权随机、最少连接数、最短响应时间、IP哈希和一致性哈希，分别适用于不同场景，如性能相近实例、异构环境、长连接或会话保持等，实际中可通过Spring Cloud、Nginx等组件灵活配置。
微服务架构中，负载均衡是确保服务高可用和性能优化的关键环节。它通过将请求合理分发到多个服务实例上，避免单个节点过载。常见的负载均衡算法有以下几种：
1. 轮询（Round Robin）
轮询是最基础的负载均衡算法。它按顺序将请求依次分配给后端服务实例，循环往复。
- 实现简单，适合服务实例性能相近的场景
- 不考虑当前负载或响应时间，可能造成部分实例压力过大
2. 加权轮询（Weighted Round Robin）
在轮询基础上引入权重，性能更强的实例可分配更多请求。
- 根据CPU、内存等资源设置权重值
- 适用于异构服务器环境，提升整体处理能力
3. 随机（Random）
随机选择一个服务实例处理请求。
- 实现简单，开销小
- 在实例数量较多时分布较均匀
- 可能出现偶然性不均，一般配合其他策略使用
4. 加权随机（Weighted Random）
结合权重与随机算法，按权重比例决定被选中的概率。
- 比纯随机更可控，能体现实例性能差异
- 常用于客户端负载均衡场景
5. 最少连接数（Least Connections）
将新请求发送到当前连接数最少的服务实例。
- 动态反映服务负载情况
- 适合长连接或请求处理时间差异大的场景
6. 最短响应时间（Least Response Time）
选择平均响应时间最短或活跃请求数最少的实例。
- 关注实际性能表现，提升用户体验
- 需要监控响应时间，实现复杂度稍高
7. 源地址哈希（IP Hash）
根据客户端IP地址进行哈希计算，确定目标实例。
- 保证同一客户端始终访问同一服务实例
- 适用于需要会话保持的场景
- 当实例变动时可能导致哈希分布不均
8. 一致性哈希（Consistent Hashing）
在哈希基础上减少节点增减对映射关系的影响。
- 解决传统哈希在扩容缩容时的大规模重映射问题
- 广泛应用于分布式缓存和服务发现
- 支持虚拟节点进一步提升均衡性
基本上就这些。实际应用中，像Spring Cloud LoadBalancer、Ribbon、Nginx、Envoy等组件都支持多种算法，并可根据业务需求灵活配置。选择哪种算法，取决于服务特性、部署环境和性能要求。
