云计算作为一种新型服务计算模式的出现,将各种各样的软硬件资源整合成不同类型服务,并且可以通过网络提供给用户使用。基础设施即服务(IaaS, Infrastructure-as-a-Service)就是其中一种典型的云计算服务,它通常通过虚拟化技术将IT基础设施以虚拟机的形式提供给用户。用户不再需要购买硬件设备以及维护相关系统软件,就可以直接在云基础设施上构建起自己的平台和应用。随着这一技术的日臻成熟,越来越多的企业用户使用IaaS。IaaS提供商通常向用户提供多种规格虚拟机,并基于使用时间收取费用。云计算的灵活性和可伸缩性使得企业用户可根据实际需求动态调整虚拟机供给方案。调整后的方案既要满足负载需求,又要有效地为用户节约租用成本。但是,动态确定高效的虚拟机供给方案是非常困难的,目前仍然存在两个挑战：1)缺乏高效的负载预测机制帮助企业用户预测实际应用负载；2)由于忽视了计费时间粒度的因素,导致生成的供给方案无法最大程度为用户节约租用成本。针对上述特点和存在的问题,本文的工作主要分为如下几个方面：(1)首先,调研并分析了某实际运行网站负载数据,为之后验证不同负载预测算法的有效性提供真实负载信息；然后,对亚马逊EC2平台进行调研,为之后仿真场景搭建提供一些重要参数信息(如虚拟机配置、价格以等)。(2)其次,从两个角度对现有负载预测模型进行了改进,提出了ARIMA-DEC模型。其一是从保证应用性能出发,有效区分负载预测偏高和预测过低两种情况,对预测偏小状况进行补偿；其二是从提高负载预测精度出发,通过考虑过往历史同一时刻信息,引入补偿点概念,对具有明显预测偏向性的时间点进行逆向补偿。(3)调研并分析了现有的虚拟机供给模型,针对计费时间粒度因素,设计了一个新的云计算多虚拟机供给数学模型,并且基于这一数学模型提出一个多虚拟机供给算法。同时,基于亚马逊EC2平台相同类型下不同虚拟实例价格成倍数这一规律,引入贪心算法,有效的降低了求解模型的时间复杂度。最后,通过与其他算法进行比较,证实了该供给算法的有效性。