云计算是一种具有面向服务特征的计算模式,不同资源都以服务的形式提供给用户。云服务用户关心的重点是服务性能是否满足所签订的SLA,而对于云服务提供者来说,考虑的是在满足用户性能要求基础上实现资源的弹性。响应时间是服务提供者与用户所签订的SLA中的主要参数之一,也是用户最关心的性能指标之一。云服务可由运行在不同虚拟机上的多个组件服务组合而成,组件服务.的响应时间决定了云服务的响应时间,因此需要研究基于虚拟机资源状态的组件服务响应时间预测方法,为云服务提供者及时进行弹性资源调整从而满足与用户所签订SLA提供有力支撑。云环境下组件服务响应时间预测研究已经成为云计算研究热点之一。针对基于虚拟机资源状态的组件服务响应时间预测问题,本文将从响应时间单值预测与响应时间序列值预测两个角度提出了响应时间预测方法。响应时间单值预测是根据当前时刻的资源状态预测组件服务的响应时间;而响应时间序列预测,不仅考虑当前系统的资源状态,而且考虑之前和之后一段时间内系统资源状态对响应时间的影响,从而预测出一段时间内的响应时间序列值。针对响应时间单值预测问题,提出了烟花优化极限学习机算法(FA-ELM)的预测方法,该方法利用ELM建立虚拟机资源状态与组件服务响应时间之间的映射关系,然后基于该映射关系进行组件服务响应时间的预测。针对ELM的缺点,本文提出了利用烟花算法优化选择ELM中输入层权值矩阵和隐含层偏差,相比于ELM,FA-ELM极大地提高了预测能力和稳定性。针对响应时间序列值预测问题,提出了基于条件随机场(CRF)的预测方法,该方法考虑了虚拟机资源状态的动态变化对响应时间的影响,利用CRF建立虚拟机资源状态变化序列与响应时间序列之间的映射关系,然后基于该映射关系预测未来一段时间内组件服务响应时间的变化趋势。通过实验表明了本文所提方法的有效性。最后,本文以云环境下云服务初始资源分配为例说明了本文所提方法的应用情况。