为解决时间序列方法对弹性时机点的预测中步长固定、考虑指标单一、预测结果不包含临界点等问题,为弹性策略提供更充足的准备时间,本文考虑访问量和特殊日期对弹性时间点（临界点）的影响,提出临界点预测与实时监测结合的资源预警模型。该模型以历史匹配数据库作为核心,使用长周期的历史数据训练临界点预测模型,并构建历史匹配数据库。将数据中心视为黑盒,通过黑盒监控指标实时监测来为预测模型提供输入数据和完成历史匹配数据库的更新。二者结合实现临界点预测与实时监测结合的资源预警模型。本文主要研究内容如下。第一,针对传统时间序列预测弹性时间点的局限性,提出临界点预测模型。通过研究访问量、访问量趋势、特殊日期对临界时间点的影响,将多元时间序列划分为子序列集合。以聚类、降维、匹配结合的算法KPM通过历史相似子序列的临界时间差作为粗粒度时间上的未来序列临界点预测的强有力参照,同时构建历史匹配数据库。这种预测方式预测范围更广、为运维和弹性争取的时间更充沛。第二,对于时间序列的相似性度量,本文设计了时间序列距离（TSD）算法。提出了一种基于正弦角度变化的时间序列趋势值计算方法,并基于动态时间规整算法,引入值序列和趋势序列结合考虑的时间序列度量算法（DTWK）,实现时间序列的相似性度量。将TSD算法应用于KPM算法,实现临界时间点的预测。第三,为提供临界点预测模型的输入数据和实现历史匹配数据库的更新,提出了临界点预测模型与实时监测结合的资源预警模型。通过对黑盒监控指标的实时监测来为预测模型和历史匹配数据库提供服务,并给出二者的具体结合方案。最后,针对监测采样频率与预测模型所需数据时间粒度不同步的问题,在实时监测中使用时间粒度同步处理函数,将采集的细时间粒度监控指标进行统计处理,并将数据转换为预测模型所需的粗时间粒度数据结构,实现预测模型输入数据的构造。