近些年来,随着无线通信技术的快速发展,多种无线网络共存已经成了一个必然趋势。不同的无线网络各有自身的特点,应用场景也有很大的差别,但是它们之间往往是相互独立没有协作关系。不同类型网络之间资源不能互补,不能充分发挥各自的优势,这将导致资源的极大浪费。而且随着移动互联网的飞速发展,智能终端数量的暴增,给无线接入网带来了巨大压力。智能终端上的大部分应用都需要通过无线接入网与互联网相连,许多应用尤其是多媒体应用都需要占用大量的无线带宽,如果不能为应用选择合适的接入点,那么就可能造成某些接入点超载,影响用户体验,而某些接入点却有很多资源没有得到利用。本文将SDN的思想应用于异构无线接入网负载均衡中,通过负载均衡器来集中管理各个无线接入点。无线接入点将自己当前的状态信息汇报给负载均衡器,负载均衡器中运行着负载均衡算法,根据各个无线网络的信息就可以计算出当前网络之间负载是否均衡。每当终端打开一个应用时都会向负载均衡器工报需求信息。负载均衡算法根据需求以及网络的状态为终端选择合适的接入网。对于真实的无线接入网,单一的负载均衡器需要计算大量的终端请求,在效率上很难满足需求,本文给出的负载均衡架构从两个层次上来做负载均衡,分别为局部均衡和全局均衡。局部控制器只负责有限的接入点,全局的控制器与每个局部控制器相连,通过收集局部负载均衡器的信息来了解每个地区的负载情况,以此来做全局的规划。局部负载均衡器采用是基于效用的负载均衡算法,通过适当的效用函数来计算网络参数对需求的满足程度,即所谓的效用值。这里将需求分为应用需求和用户需求,应用需求指应用运行所需的网络条件,用户需求指用户对网络费用,网络功耗等因素的要求。将需求细分主要考虑到它们之间的不同,应用是客观的而用户带有很强的主观性,因此它们对应的效用函数也存在差别。当网络参数一样时同一种应用需求对应的效用值是不变的,因此不必重复计算。全局负载控制器利用机器学习中的局部加权线性回归算法对局部负载均衡器提供的大量的历史数据进行学习,找出某个局部地区负载变化的潜在规律,以此来对未来某个时刻做出负载预测,以便提前做相应的准备。