当前，云计算正在受到越来越多的关注，开源云平台如Eucalyptus、OpenStack等主要提供IaaS层上的服务，即基础设施即服务，用户向云平台购买一定量的虚拟机，将自己的任务提交到购买的计算节点上去执行。当用户完成计算任务时，可以将这些云端的虚拟机释放掉，他们所支付的只是使用期间的费用。通常这些计算资源的负载会随着时间发生明显变化，呈现“震荡”现象，这给用户准确购买计算资源的数量带来困难。云计算通过引入auto scaling机制解决上面的问题。所谓auto scaling是指系统会通过监控负载的大小情况，根据用户提前制定的策略自动进行资源规模的伸缩。目前auto scaling机制主要应用于web服务中。　　 在本文中，我们将auto scaling机制应用到批处理系统中，与服务器的CPU、内存等性能指标相比，用户更关心的是每个作业能否在它们的deadline之前完成。本文在实验室已有的基于Eucalyptus的瀚海星云计算平台的基础上，分别用Torque和Maui作为作业管理软件和调度软件，设计并实现了基于批处理的auto scaling系统。为了尽量减少自动伸缩对底层云平台的影响，我们将整个auto scaling系统分成上下两层:上层是auto scaling系统的核心部件，负责接收用户提交的作业、做出资源扩展和收缩决定、调用云平台的接口启动/关闭虚拟机等;下层是云平台，负责提供计算资源、执行作业等。分层的设计降低了auto scaling部件与底层云平台之间的耦合，只要将auto scaling系统调用的云平台接口替换，很容易实现系统的移植。　　 本系统处理的批作业对计算资源的性能要求大致相同，用户掌握大量历史信息，可以估算每个作业的预计运行时间。通过参考任务的完成期限、支付费用限制及虚拟机启动时间等信息，我们设计实现了一种比较简单实用的自动伸缩算法。Auto scaling系统能够根据该算法自动地扩展和收缩计算资源规模，保证任务在用户提供的截止时间之前完成的前提下，最大限度地为用户节省资金。