1.一种流媒体服务器负载动态分配方法，其特征在于包括以下步骤：步骤1、初始化集群节点的负载反馈周期T、连接数统计周期Tlink；

步骤2、集群节点的负载反馈周期T到期，负载均衡器请求集群节点的负载状况，集群返回其各节点的负载指标信息，任务连接数，计算出当前各个节点的负载权值；

步骤3、负载均衡器根据集群节点的负载指标对该节点进行重新分类，计算并更新类的总权值；

步骤4、是否存在负载指标超过阈值的集群节点；若存在，从该节点上随机选取任务，随后将其迁移到低负载类中，转向步骤7；若不存在，则继续；

步骤5、连接数统计周期Tlink是否到期：若Tlink到期，则计算连接数的变化量Δlink，并根据Δlink更新负载反馈周期T及对应的定时器；若没有，则继续；

步骤6、根据各类的总权值比重来确定处理用户任务的类；

步骤7、在类中根据加权轮询算法选取一个集群节点来处理该任务；

步骤8、负载反馈周期T是否到期：若不是，则转向步骤5；若是，则继续；

步骤9、集群系统运行是否结束：若不是，则转向步骤2；若是，停止集群系统；

在步骤1中，各集群节点均处于空载状态，根据当前集群节点各性能指标，按照最小二乘法组合优化层次分析－熵权法确定负载指标权重系数和各集群节点的负载权值L；

步骤3中，分类采用LAE-KNN算法，LAE-KNN算法为基于最小二乘法组合优化层次分析－熵权法的KNN分类算法，从已知样本集中去寻找与待分类样本最相似的k个样本，再找出其中数量最多的某一类，则该样本就属于该类，选择的样本都是已经正确分类的对象，采用加权欧氏距离来确定样本之间的相似度，加权欧氏距离的计算如式所示：

其中，j为样本的属性个数；μj为上文通过基于最小二乘法组合优化层次分析－熵权法求得的各个负载指标的权重；xj为待分类样本的属性；yj为对应训练样本的属性；

每当调度服务器采集到上游集群节点的负载指标后，使用LAE-KNN算法依次计算节点到已知样本间的加权欧氏距离，得到距离最近的K个样本的类别，然后选择数量最多的一类作为当前节点的类别。

2.根据权利要求1所述的流媒体服务器负载动态分配方法，其特征在于，每个负载反馈周期T内，通过收集到的负载信息判断节点的负载是否需要迁移，在处理任务前使节点的负载指标能都在阈值内，防止处理下一个任务时出现宕机的情况；

运用重定向的功能，进行迁移负载；若某个上游节点的某个负载指标超过阈值，就随机选择该节点的部分任务重定向到其他的低负载类中的上游节点，每个负载指标的利用率的阈值分别为：CPU利用率U_cpu≤80％；内存利用率U_mem≤90％；带宽利用率U_net≤90％；磁盘I/O利用率U_io≤90％，按各类的总权值比重，将任务分配到总权值最小的节点类，在类中通过加权轮询的方法分配上游节点。

3.根据权利要求1所述的流媒体服务器负载动态分配方法，其特征在于，步骤1中，为了能实时的获取上游集群节点的负载信息，采用动态的负载反馈周期T，动态的负载反馈周期T的初始值为10s，计算机每秒中集群节点连接数量的变化量Δlink,以此来判断周期T的变化量ΔT的大小，其中，Δlink为每秒钟集群节点任务数的变化量；ΔT为反馈周期T的变化量，任务数增加则T减小，反之增大；Δlink变化大小在0到10之间时ΔT变化1s，负载反馈周期T的最大值设置为20s。