随着云计算的快速发展,许多IT巨头已经开始从提供云服务中受益。越来越多的企业客户开始将他们的产品从传统IT架构迁移到云计算平台,从而来减少开发、运维成本。与此同时,在这个信息爆炸的时代,一些企业用户的程序可能突然在短时间内成为互联网上的热点,这导致了这些程序遭遇突然的流量增长或下降。通常来说,开发者们只能使用云供应商提供的系统警报和弹性伸缩等功能来应对此类问题。但是这些策略要么是具有时间延迟的被动反应式策略,要么只考虑了虚拟机的水平伸缩。本文将研究并提出一套基于资源使用率的主动式资源管理方案,该方案相比被动反应式策略和已有的一些主动式资源管理方案而言,不仅通过资源数量监控与预测提前感知可能的突发流量增长或下降,而且充分结合了虚拟机垂直伸缩和水平伸缩的优势,从而不仅保证了方案在面对突发流量变化时,相比其它已有研究而言具有更低的反应延迟,而且实现了高成本效益目标。本文首先提出了将刚贝斯曲线与平均移动模型相结合的资源数量预测算法。该算法在资源真实使用数量平稳或快速下降时使用平均移动模型对未来的资源需求数量进行预测;在真实值快速上升时,使用非线性最小二乘法进行刚贝斯曲线拟合来得到未来一段时间可能的资源需求数量。相比使用其它已有预测算法而言,本预测算法保证了在大部分时间,预测得到的资源需求量稍高于实际需求量,保证了程序在面对突发流量增长时的性能需求得到满足,在面对突发流量下降时实现高成本效益目标。得到资源数量预测值后,本文提出资源供给算法来对预测值进行纠正。资源供给算法包括资源瓶颈检测和资源数量计算。资源瓶颈检测用于检测当前系统已经存在的可能资源瓶颈,资源数量计算根据检测结果对资源数量预测值进行合理地纠正。完成对资源数量预测值的纠正后,本文接着提出了资源安置与回收方案来将虚拟机的垂直伸缩与水平伸缩结合起来,对资源进行安置或回收。垂直伸缩分为垂直扩展和垂直收缩,水平伸缩分为水平扩展和水平收缩。当需要对资源进行扩展时,本文首先考虑垂直扩展来满足资源需求,从而充分利用垂直扩展部署、配置速度快的优势;当需要对资源进行回收时,本文首先考虑水平收缩,从而充分利用了水平收缩可以减少虚拟机甚至物理机个数的优势。同时,在垂直伸缩的讨论中,本文使用资源级别表来解决同一个物理机中不同虚拟机之间的资源整合问题;在水平伸缩的讨论中,本文提出了层次委派模型来在云平台中查找合适的物理机。最后,本文设计了仿真实验,通过与其它多种已有研究的对比,验证了在面对突发流量变化时,本文提出模型可以提前感知流量变化,快速完成资源安置或回收,从而不仅保证了云平台中用户程序的性能达到满足,而且尽可能节约了各类资源实现了高成本效益目标。