如今,大多数企业已开始使用云平台托管其软件应用。云平台是共享资源,可提供各种服务,例如基础设施作为服务（Iaa S）。这些云服务能以虚拟机（VM）的形式提供给用户,用来处理用户自己的业务。而在云平台中,一个物理机通常可以分为几个VM,对VM的管理十分方便,还可以轻松启动调整大小。因此借助虚拟化技术,可以在云环境中动态部署Web应用,而部署于云平台的Web应用经常面临负载变化,面临负载急剧上升时需要租用更多的云资源,而在平时负载较低租用过多的资源又会造成资源浪费。云平台的弹性功能使得云平台能根据Web应用的负载变化自动缩放其拥有的云资源,使其降低成本的同时满足其服务质量（Qo S）。为此各类提供Iaa S服务的公有云平台为了更好的服务顾客,吸引他们把软件应用移动到云上来,而需要不断的升级完善云平台的弹性功能。本文为实现云平台资源的自动缩放,针对部署在Iaa S公有云上的web应用,以虚拟机为资源分配粒度进行弹性伸缩策略研究,目的是保证云web应用的Qo S,同时尽可能降低其使用资源的数量以节约成本。本文主要工作如下:（1）针对已有基于强化学习的弹性伸缩算法收敛速度慢的问题,提出了PDS-lambda弹性伸缩算法,该算法综合考虑用户服务违约,Web应用的当前负载及虚拟机数量,利用决策后状态把算法需要学习的信息划分为动态已知与动态未知,使算法只学习动态未知的那一部分并且采用多步更新来快速达到收敛,该算法同一些已有基于强化学习的弹性伸缩算法相比能更快达到收敛,减少成本。（2）针对Web应用的工作负载会随着时间变化而难以实现主动式自动缩放的问题,把时间序列分析方法中的自回归模型同排队论结合起来提出了AR-QT弹性伸缩算法,该算法能根据历史数据自动预测出云web应用未来一个时间段所需的最优虚拟机数量,使其在满足Qo S的同时尽可能降低运行成本。（3）在cloudsim上对两个算法进行仿真实验,第一个实验证明了PDS-lambda算法同相关文献的强化学习算法相比能更快达到收敛。第二个实验证明了AR-QT算法能准确进行预测,并且同相关排队论算法相比能有更好的性能和灵活性。