云计算为用户提供了较为廉价的大规模计算能力,也为互联网时代提供了诸多便利。而如今发达的互联网络与便捷的通信技术反作用于广大的使用者,所提交的网络访问请求愈来愈多、也愈来愈频繁。任何一个社会热点随时都有可能造成网络请求的突发增长,从而造成后台任务负载量的瞬时增加。一旦任务突发,云系统的可扩展性和服务质量则很可能随即受到影响。相关领域的学者们已经对工作负载的预测方法以及资源预留与调配的方案等展开了大量研究:既要避免云提供商部署过多资源,造成不必要的开销浪费;又要及时、有效地配置云资源,防止宕机等事故发生。据此,本文针对性地提出了一个面向负载突发变化的云资源配置模型,其包含有任务特征提取并分簇、负载趋势预测以及资源预留与配置三个分模块。任务特征提取模块对历史任务进行特征提取,准确定位突发任务的特有信息;负载预测模块对各任务类簇,尤其是检测出较容易出现突发变化情形的任务类簇,设置双态情境预测模式,选择合适的预测方法来提前预估以类簇为单位到达的任务可能将造成的负载量大小;资源预留与配置模块同样基于双态预测结果,分情境进行资源预留,并采用启发式算法进行资源的整合和重配。本文的创新之处有四:(1)提出了一个面向负载激增的整体动态优化架构,设有运行情况监视器同步各模块数据,实时对参数进行反调优化;(2)改进了用于任务特征提取的k-means聚类方法,用马氏距离消除任务属性间相关性,达到筛选出疑似突发任务类簇的目的;(3)区分了接收任务的正常态与激发态,并分别选择ARIMA时间序列方法和趋势外推法有针对性地对任务波动进行预测,同时通过实时监测任务到达数量的变化率来动态切换预测手段;(4)开发了一种基于预测状态的预留方案,同时配以启发式算法进行资源迁移和配置,在节省能耗的同时,不损害云计算的可扩展特性,并提高其应对负载突发的鲁棒性和服务高效性。本文使用Google云后台数据进行了模型验证实验。通过与现有应对突发的调度算法进行比对实验,本文最终得到了可高达90.05%的预测拟合度,低于5%的容量溢出率,以及任务完成保证率提高25.8%,资源利用率提高18.2%和总能耗节省17.3%的优化结果,优于其他调度算法的全部或部分指标,进一步证实了本文所提出的解决负载突发变化方案的可用性和有效性。