随着各种云计算平台的广泛应用,运行于其上的分布式服务也日益普及,成为大中型互联网公司、云服务软件提供商构建系统的首选方式。云平台管理系统自身为了满足负载均衡,资源优化利用,服务质量保证等需求,实现自动伸缩性也是势在必行。可伸缩性是高性能,低成本和可维护性等诸多因素的综合考量。虽然可扩展性是云计算的重要特点,但高效的管理利用各种资源仍然是云平台管理系统的挑战之一。传统的响应式伸缩机制基于某些特定资源的使用指标对单个服务进行扩展。去中心化的SOA微服务之间存在互相调用、调用链复杂等情况,对单一服务进行扩展往往导致服务整体伸缩滞后,系统总体性能抖动严重。面对不确定的用户访问及异构系统各自工作负载的差异,问题的关键在于如何预测系统的负载并自动采取应对措施。本文围绕基于神经网格及SVM模型的预测算法展开研究,主要研究了如下内容:1)在目前已有的预测算法的基础上,设计了基于负载模式识别及自适应选择预测模型的负载预测系统;2)设计了伸缩决策量化的参照依据及计算方法。本文的创新点之一是依据特定的条件动态选择最适合的预测算法。本文提出的自适应预测模型主要包括区分增长型、周期性及不可知型工作负载模的识别模块、预测模型选择模块及基于神经网络和SVM的回归模型预测模块。基于策略模式及模板方法的预测模型选择模块今后可以扩展到应对更多的负载细分类型并自动选择相应的定制化预测算法。针对分布式云服务的特点,本文设计了伸缩决策量化模块,创新性地结合了分布式跟踪系统的调用链数据得到上游服务对下游服务的传递负载加权值,通过累加带权重的最上游服务的预测值得到下游服务的负载预测值;通过结合性能测试的报告来确定应对未来负载的变化需要进行的具体资源或部署的调整措施。最后,基于搭建的Kubernetes平台及其之上部署的电商云服务系统,对自动伸缩系统进行实现和验证分析。通过实验分析结果得出,本文提出的自动伸缩方法,能够根据负载模式选择正确的预测模型并取得了较准确的结果。相比基于响应式的动态扩展方式,能够在保证稳定性能的情况下,平均提高约15%的响应速度并节省约23%的计算资源。本文提出的云服务自动伸缩方法业已在公司内部进行研究测试,未来极有可能直接应用于生产环境。