随着全球化的发展,云计算产业作为互联网经济的重要组成部分,呈现出蓬勃发展的势态,但与此同时也面临着诸多挑战,尤其是云数据中心高能耗问题。虚拟机整合策略为解决能耗问题的主要方式之一,其核心是利用虚拟机迁移技术,将低载主机上的虚拟机迁出,然后将其休眠或者关闭,从而减少活动的物理主机,以减少云数据中心能耗。但是,激进式的整合策略可能会造成大规模的虚拟机迁移,或者部分主机由于负载突增而过载,这不仅会导致服务质量下降,而且还可能产生更多的能源消耗。本文使用预测模型来服务虚拟机整合过程,提出了适应云数据中心的虚拟机整合策略,主要工作有:主机过载检测阶段,提出基于灰色GM(1,1)模型的过载主机检测(GM-OD)算法和基于指数平滑模型的过载主机检测(ES-OD)算法。其过程是,根据灰色GM(1,1)模型和指数平滑模型分别预测主机下一时期的负载值,将预测值与预先设定的阈值比较,如果预测值超过阈值上限则判断主机为过载,重复此过程来确定过载主机集合。为解决过载主机高负荷工作压力,在虚拟机选择阶段提出基于资源利用率感知的虚拟机选择(RUA-VMS)算法,其核心思想是选择过载主机上占用该主机CPU资源利用率最大的虚拟机,将其纳入待迁移虚拟机集合中,重复此过程直至主机不再处于过载状态。虚拟机放置阶段,提出基于剩余可利用资源最小化约束的最佳适应降序(RRMinBFD)算法。将所有待迁移虚拟机按照CPU资源请求量大小进行降序排列,根据“物尽其用”思想,将接收虚拟机之后剩余可利用资源最小的主机作为最佳目标主机,重复此算法,将全部待迁移虚拟机进行合理安置。根据过载主机检测、虚拟机选择以及放置三个阶段整合得到基于灰色GM(1,1)预测的虚拟机整合策略和基于指数平滑预测的虚拟机整合策略,本文采用Cloud Sim平台对这两种算法进行仿真实验,并根据性能评价指标和其他几种算法在保证服务质量、减少能耗等方面进行比较。