相对于传统应用部署方式,采用云计算方式部署应用程序具有可伸缩性、成本高效益性和高可用性等诸多优点。云计算提供按需付费的资源使用方式,而静态供应方式不够灵活,因此动态资源供应方式才是首选。但是传统的动态供应方式无法避免反应滞后的问题,在Web访问突发场景下,只有提前对负载请求量及资源需求量进行预测才有可能提供足够的资源以保证应用的服务质量(Quality of Service,QoS)。同时,对于应用提供商来说,在保证QoS的前提下,需要尽量减少资源使用量以降低成本。因此,这对负载的精确预测提出了要求。为了保证突发性Web访问负载模式下应用的资源供应,本文首先详细研究了目前Web云应用资源供应的研究现状,并在几种典型的访问负载预测模型的分析基础之上,结合移动平均(MovingAverage,MA)模型和支持向量回归(Support Vector Regression,SVR)模型提出了 MASVR预测模型,并根据突发性Web访问负载场景峰值期与平稳期访问量的不同特点,结合局部异常因子(Local Outlier Factor,LOF)算法进一步对MASVR模型进行改进,提出了 LOF-MASVR访问负载预测模型。本文使用1998年世界杯网站的真实访问负载作为数据集模拟Web流量突发场景进行预测实验。实验结果表明,相对于MA、ARIMA和SVR预测模型,LOF-MASVR模型能够降低峰值期的服务等级协议(Service Level Agreement,SLA)违例次数近70%,而且预测误差明显低于ARIMA和SVR模型,只略高于MA模型。同时,LOF-MASVR模型的预测耗时仅需要数秒,相对于资源分配的5～15分钟,时间效率也完全在可接受范围之内。由于现有的基于预测的虚拟资源供应机制使用LOF-MASVR预测模型仍然无法满足应用QoS的可用性要求,本文结合预测模型中的LOF,并引入自适应系数,提出了一种基于预测的动态供应策略以及相应的云资源供应系统架构。同样使用真实访问负载数据集的资源供应实验结果表明了该系统架构的适用性,也验证了本文供应算法能够有效地适应负载变化供应资源,可用性和资源利用率均符合SLA要求,与静态供应策略相比具有明显优势,同时,可用性指标优于现有的动态供应策略。