随着云计算的兴起,越来越多的用户选择把数据存储在云计算中心并利用其服务,资源分配问题日益凸显。用户向云中心请求资源时,若资源不能满足相应需求,则会对服务质量产生影响,如果资源分配过量,又会导致资源的浪费,如何在保证用户服务质量的同时减少服务器资源过量的使用是当今云计算领域的重要研究课题。研究人员已经从多方面进行考虑并提出了解决方案,有些学者着重于优化虚拟机配置,通过对相关资源配置过程的简化,使得虚拟机可以更快速地启动与运行。还有研究者在硬件设计上,根据负载情况调节服务器运行功率以及冷却设备的运行,有效解决能源浪费问题。还有研究者利用调度算法从资源调度角度去合理地使用可以更高效地分配资源。有些研究者根据资源负载的历史数据去预测未来趋势,通过对预测值的利用可以更合理地管理资源。随着机器学习以及大数据技术的兴起,预测问题也引起高度重视。为此,本文围绕云负载的预测展开分析,主要工作如下:(1)指出传统静态聚类方法的不足之处,将静态聚类方法K-means应用于进化聚类的框架下,对云负载进行聚类分析,为预测提供依据。(2)提出一种改进的短期云负载预测方法,将ARIMA与BP神经网络结合起来,将ARIMA预测后的残差部分运用BP神经网络进行残差预测,最终将两部分的预测结果进行集成,预测效果与ARIMA相比具有更高准确性。(3)考虑长期负载预测的时间成本问题,将负载预测模型转换为一种可以提前训练的模型。将时间序列按窗口划分样本,对每个窗口内的时间序列进行特征提取。运用改进的Adboost集成方法进行样本学习。实验通过3条不同时序片段进行对比,验证改进模型的有效性。(4)设计基于Spark的预测系统,分别从数据接收,数据存储及查询,预测分析功能,界面展示等功能进行设计。系统可以实时分析云负载的变化情况,并通过图表显示分析结果。