随着云计算技术的迅猛发展和广泛应用,服务器集群的耗电量之巨大逐渐成为人们关注的焦点。云计算服务的需求量越大,集群中基础设施的规模要求就越大,随之而来的能耗问题就越凸显。本文针对这种高能耗问题,提出了一种基于资源和任务相结合的节能方法,有望有效降低云计算中心的能源消耗。文中先就云计算环境中的能耗瓶颈作了分析,然后对比了两种资源消耗预测技术,以及多种任务分配策略,最后总结了各类节能方法的优劣和适用场景,从而确定了一种解决能耗问题的新思路:首先对任务队列中的任务进行资源消耗预测,然后以这部分预测数据为依据,有效的实施任务分配策略,合理利用资源,降低集群整体能耗。本文明确了影响任务资源消耗的各项因素,提出了一个基于任务粒度的资源预测模型,模型由三部分组成:数据特征提取与采集,数据提纯,神经网络预测。基于资源预测的任务分配策略中主要涉及两个关键问题:虚拟机选择和虚拟机热迁移。本文就虚拟机选择问题,提出了两种算法:最大资源匹配算法(Max-Match)和最小迁移代价算法(Min-Cost)。就虚拟机热迁移问题,提出了两种算法:基于最小能耗的改进BFD适应算法(Min-Power BFD)和基于可变阈值的改进BFD适应算法(Threshold-based BFD)。任务分配策略首先完成虚拟机选择,然后完成虚拟机热迁移,从而实现合理的任务调度。论文中的实验环节,第一部分验证了资源预测模型的准确性,评估了模型中各个算法的收敛性和性能。实验证明模型具有很好的适应性和很高的准确性。第二部分验证了任务分配策略的节能效果,并对比分析了各种策略的适用场景。本文提出的基于资源预测和任务分配的节能方法,不仅具有很好的降耗效果,也为今后相关领域的研究提供了新思路。