近年来,云计算与互联网的结合日益紧密,以IPv6为代表的下一代互联网将成为未来云计算最优化的选择方案之一。从云平台外部来看,随着互联网向IPv6的过渡,会出现越来越多来自IPv6的网络用户,包括云平台的直接用户和云平台提供应用服务的终端访问用户。从内部来看,云平台实现集中化和弹性化的服务模式需要大量的IP地址支持,但受限于IP地址数量和内外网地址转换问题,虚拟环境和整个基础设施的部署,网络吞吐能力已经受到一定程度的限制,从而影响整个云计算平台的性能。目前,云用户享受到云计算带来的巨大便利,与此同时也面临一些问题。其中最重要是资源分配问题。粗粒度的资源分配方法是当前大多数云服务提供商采用的典型方法,如Google、Amazon等。该方法以虚拟机作为调度单元,根据虚拟机的负载变化,根据需要增加或减少虚拟机的数量,来实现负载自适应的功能。但是这种资源分配方式往往会导致虚拟机分布分散,物理机资源占用过多,资源浪费严重等问题。随着云用户数量的增加,尤其是移动用户数量的增加,资源分配方式不仅不利于提高资源利用率,而且导致运营成本大幅上升。因此,怎样改进负载均衡技术,使其可以完全利用云平台的整体特性,有效地管理资源,最大限度地利用资源,是一个需要迫切解决且具有现实应用价值的问题。本文针对云平台上用户请求负载具有规律性变化的应用场景,根据不同类别的任务负载信息,对其所需的资源进行预测,为云平台资源进行弹性伸缩和按需调度提供指引。本文的主要研究工作如下:(1)针对目前不同负载资源预测的方法特点,对自回归积分滑动平均模型,卡尔曼滤波模型、支持向量回归,人工神经网络和深度学习等模型进行了总结概括。(2)考虑云用户提交的工作负载,本文提出一种基于混合模型预测方法。该混合模型结合卡尔曼滤波和自回归积分移动平均模型来预测工作负载所需的资源。实验结果表明,该方法与单一模型预测方法相比具有更高的预测精度,能够有效提高资源利用率,有利于虚拟机资源的按需规划。(3)在开源云平台上设计和实现资源预测模块的原型,以理论带动实践创新。在CloudSim仿真云平台设计预测模块原型,并提出一种新的实时迁移策略,通过实验验证其有效性。