随着网络技术和计算机硬件计算力的发展,云计算成为互联网一种新的服务模式,因其所具有的高可扩展性、灵活性和成本效益,云数据中心的规模得以快速扩展,但随之而来的巨大能量消耗成为一个日益严重的问题。如何降低云数据中心的能耗受到越来越多研究人员的关注,目前的大部分研究工作旨在提升任务的调度效率,进而有效地提升了底层物理资源的运行效率,降低了云数据中心的能耗,然而很少有研究工作实现预测计算资源需求量,并据此灵活地调控云数据中心资源池的规模。针对这一问题,本研究提出一种整合的负载预测模型,这一模型可以基于历史负载数据预测下一时段所需计算资源,为云数据中心中底层资源池规模调整提供预先的数据指导。本研究贡献主要体现在以下两方面的工作,具体如下:首先是负载时间序列的生成与处理。本研究采用谷歌云数据中心公布的负载记录集作为研究对象,经过对原始数据集进行预处理,将其整合成为在指定时间粒度下负载数量分布的时间序列。这一过程中的重要内容有两方面,一方面,使用自相关函数确定合适的时间粒度,保证生成的时间序列中相邻数据点之间存在较强的相关性,使得后续模型具有更好的精确性;另一方面,在生产环境中存在异常事件使得负载数量激增,干扰负载序列在时间分布上的规律性,会对预测模型的精确度造成较大的影响,所以本研究需要选择合适的平滑算法,过滤数据中这些影响预测精度的异常点,达到特征增强的目的。其次是预测算法的选择和模型训练。本研究选择自回归差分移动平均算法、单隐层神经网络、长短期记忆神经网络以及随机配置神经网络四种算法对负载时间序列进行预测,从多个角度衡量模型的性能并选出最优算法。与此同时,现有的研究中往往是基于经验设定建模算法的超参数,本研究设计一系列实验,快速找到使得模型性能最优的超参数,提升模型预测精度的同时减少建模所需的时间成本。综上所述,本研究通过对云数据中心历史负载数据的预处理,对其建立一种整合的负载预测模型,通过实验证明,本研究提出的模型较其它预测方法可以更精确和高效地预测下一时刻的计算资源需求量,为灵活地调整云数据中心的资源池规模提供可靠的数据指导。