随着云计算的发展,虚拟机被广泛应用于现实生活中,大型服务器所面临的资源浪费和服务性能干扰问题也得到了初步的解决。传统的虚拟机资源分配方式采用的是静态分配,即虚拟机初始分配的资源量就是虚拟机“终身”的资源量,虚拟机运行期间不对资源量做出调整。这种资源配置方式可能导致两种结果：(1)资源分配过量,虚拟机永远也不会用到这个资源分配值；(2)资源分配不足,虚拟机经常出现资源短缺现象。如何为虚拟机分配资源成为亟待解决的问题。为解决资源静态分配方式所引起的若干问题,虚拟机资源动态分配思想应运而生。将虚拟机运行生命周期划分成多个资源调整周期,在每个资源调整周期内为虚拟机分配固定数量的各类资源,即“周期内静态,周期外动态”,这样可以在保证服务质量的前提下缓解资源浪费现象。如何在保证服务性能的前提下根据并发用户请求量动态调节单物理机(PM)下多虚拟机资源量成为亟待解决的问题,本文针对该问题提出了面向并发用户请求的单PM下多虚拟机资源自适应调整方法。首先通过分析虚拟机运行期间的历史数据建立并发用户请求量与资源消耗量间的关系模型(C-R模型)以及资源消耗量和服务性能间的关系模型(P-R模型),然后使用BP神经网络算法预测下一个调整周期内并发用户请求量并求出均值,接着将并发用户请求量均值与C-R模型结合评估出下一个调整周期内虚拟机资源需求量区间,紧接着使用遗传算法结合P-R模型评价每代个体的收益值,选择出最优个体,并将选择出的个体以及执行效果评价存入经验数据库中。在本文末尾通过实验对本文提出的资源调整方法进行有效性、正确性和优越性进行验证。实验结果表明本文提出的处理方法能够有效的评估出服务资源需求量,并且在确定遗传算法初始种群时,其范围可以覆盖所有可能的解,同时经验数据库的建立也为最优解的选择节省了大量的计算时间,成为在最后期限前完成最优决策选择任务的关键。