随着云计算的发展和兴起,其越来越受到用户的喜爱。作为云上的虚拟化产品,相对于传统服务器,云服务器具有高可靠性、按需付费、资源弹性获取和管理方式灵活等特点,因此越来越多的Web应用管理者都选择将Web应用部署在云上。对于Web应用的管理者而言,一方面需要保证服务质量(Quality of Service,QoS),另一方面需要尽可能降低云资源租赁费用,提高费效比。Web应用运维人员需要根据需求对云服务器进行相关计算资源的配置,其中带宽资源是云服务费用中一项主要支出项目,且是配置更新相对频繁的一项资源。当负载发生较大变化时,为保证QoS,Web应用运维人员需要及时进行带宽需求预测并制定带宽管理方案,同时需要对候选方案可能带来的结果进行预先评估,以保证选择的方案能够提供稳定可用的服务,因此对于带宽资源管理的研究十分必要。带宽管理候选方案可以看作是一种假设的系统演化,本文的研究内容即是对系统进行带宽驱动的假设分析(What-if Analysis)。在现有的云应用资源管理研究中,着重关注带宽资源的较少,大多数研究侧重于CPU和内存等资源。此外,大多数研究中的方法不能适用于演化场景的预测任务,需要调整数据集或重新训练模型。针对上述问题,本文首先提出一种基于网络仿真的假设分析方法,该方法可以用于带宽需求预测和带宽管理方案的评估。但该方法模型参数较多,调节过程复杂,故本文进一步提出一种基于机器学习的方法,该方法分成两部分,一部分为采用传统机器学习模型进行带宽需求和QoS预测,另一部分为采用迁移学习方法实现特征的迁移,以帮助传统机器学习模型解决演化场景下的QoS预测问题。本文提出的两种方法均可以帮助Web应用运维人员更好地进行带宽资源管理。本文的研究内容具体包括以下三个部分:1)一种基于网络仿真的Web应用带宽资源需求和QoS预测方法,该方法采用简化的并行负载模型,同时运用自动化日志挖掘方法提取模型所需参数,并使用网络仿真工具模拟复杂的网络传输过程,用来预测不同负载强度下的带宽需求和QoS变化。最后通过基于基准测试TPC-W的Web应用验证方法的有效性,并对几种带宽管理方案进行评估。2)由于基于网络仿真的方法对QoS预测结果的稳定性稍差,且模型参数较多,参数调节过程复杂,故本文提出一种基于机器学习的方法对网络吞吐量和QoS进行预测。该方法采用传统的机器学习模型,方法中详细介绍了数据挖掘过程,并引入带宽利用率作为一个特征,使模型摆脱固定带宽配置的约束。另外,该方法同时考虑了CPU资源的影响。最后同样选择基于TPC-W的云应用作为案例来评估该方法的有效性和稳定性,且尝试进行演化场景下的QoS预测任务。3)由于传统机器学习方法对于演化场景下的QoS预测任务难以取得好的结果,因此本文进一步提出了一种基于域自适应的方法用于特征迁移,帮助传统机器学习方法更好地预测带宽驱动的演化场景下Web应用的QoS。该方法根据用户体验对响应时间进行分级,将回归问题转化为分类问题。最后通过丰富的实验来评估该方法,包括在多种演化场景下对于基准测试系统TPC-W和一个真实Web应用的QoS预测。本文提出的方法可以用于评估云上Web应用的带宽管理方案,评估结果可以为Web应用运维人员提供决策参考,以帮助他们提供高质量的应用服务,同时节约成本。另外本文提出的方法也可以推广应用到其他计算资源的管理中。