研究表明,在真实环境中,物理主机的资源利用率只在10%-50%之间。业界使用实时迁移技术来动态合并虚拟机并切换空闲节点为睡眠模式能帮助云服务提供商优化资源使用率和减少能源消耗。然而为了保证用户的质量服务的同时,性能的提升势必引起能源的大量消耗,过度的整合虚拟机又会造成性能的降低。为了在不损失性能的前提下,尽可能的提高服务器资源的利率用和减少虚拟机迁移次数,论文采用随机森林算法对虚拟机的负载进行预测。通过对虚拟机资源使用率的历史数据进行训练,建立起由上千棵决策树组成的随机森林模型来对未来时刻的虚拟机负载进行预测。为了应对云中复杂多变的负载环境,论文设置了自适应阈值对主机进行过载检测;采用最相关策略从过载的主机上选择与其他虚拟机在资源上最相关的那一个进行迁移,保障了物理服务器上各种资源的高效利用;论文将虚拟机的分配问题看作是一个背包问题,采用最佳适用降序算法对虚拟机进行部署。测试结果表明,论文提出的方法相较于传统的负载预测算法在准确率上最高有8%左右的提高。将随机森林算法和部署策略进行整合并应用到CLoudSim平台上,测试表明论文的方法相较于不使用任何优化策略的情况,总的能源消耗减少了22.7%,虚拟机迁移次数减少了44.1%,服务等级协议违例平均时间占比减少了49.8%。