越来越多的企业在云上部署应用程序,并使用键值存储系统来存储应用数据。而应用负载波动通常具备一定的规律性,会在少数特定时间段处于高负载。针对波动负载,现有研究通过动态扩充和缩减存储资源,能够以最佳的存储资源满足负载的需要。但常用的被动调度策略具有明显的滞后性,扩充存储资源后进行数据迁移产生的迁移负载会与前台负载竞争,从而导致键值存储系统性能下降。如果能够准确预测应用负载的变化情况,提前执行调度策略,将能有效降低数据迁移对键值存储系统性能的影响。针对被动调度产生的迁移负载与前台负载竞争导致性能下降的问题,提出了一种基于负载预测的键值存储智能弹性调度系统（Intelligent Elastic Scheduling System,IESS）,该系统采用多种循环神经网络对负载数据进行建模,能准确预测云服务器中键值存储系统的负载变化,并基于预测负载信息,生成调度指令指导键值存储系统对存储资源的弹性调度。IESS由智能调度模块、基础功能模块和智能预测模块组成,其中智能调度模块部署在云服务器的键值存储系统中,负责收集负载数据及执行调度指令;基础功能模块和智能预测模块部署在主机中,前者负责服务器配置、负载图像显示和服务器通信等基础功能,后者利用神经网络模型来预测未来一段时间的负载变化情况及生成调度指令。IESS采用线下离线训练和线上在线训练结合方式,既能够尽可能减少对系统运行时的开销影响,又能够提高负载预测的准确度。在互联网应用负载的场景下,针对IESS的负载预测效果和弹性调度效果进行详细测试。测试表明,在预测方面,DRNN＿LSTM模型的预测效果最好,对于出行服务应用和点餐服务应用两种数据集,误差百分比与决定系数（R2＿Score）分别达到了5.09%、98.29%和7.20%、97.74%;在调度方面,可以在几乎不影响键值存储系统性能的情况下以较少的存储资源满足上层应用的运行需要,相比于无调度策略,IESS弹性调度策略在两种负载场景下可以节省33.27%和52.13%的成本开销。