物理主机工作负载的不确定性容易造成物理主机过载和资源利用率低，从而影响数据中心的能源消耗和服务质量。针对该问题，通过分析物理主机的工作负载记录与虚拟机资源请求的历史数据，提出了基于负载不确定性的虚拟机整合（WU-VMC）方法。为了稳定云数据中心各主机的工作负载，该方法首先利用虚拟机的资源请求拟合物理主机工作负载，并利用梯度下降方法计算虚拟机与物理主机的虚拟机匹配度；然后，利用匹配度进行虚拟机整合，从而解决负载不确定造成的能耗增加和服务质量下降等问题。仿真实验结果表明，WU-VMC方法降低了数据中心的能源消耗，减少了虚拟机迁移次数，提高了数据中心的资源利用率及服务质量。

针对传统虚拟机整合（VMC）方法难以保持主机工作负载长期稳定的问题，提出一种基于高斯混合模型的高效虚拟机整合（GMM-VMC）方法。为了准确地预测主机负载的变化趋势，首先，使用高斯混合模型（GMM）对活动物理主机的工作负载历史记录进行拟合；然后，根据活动物理主机工作负载的GMM和主机自身的资源配置情况计算主机的过载概率，并根据过载概率判定主机是否存在过载风险；对存在过载风险的物理主机，根据部署在该物理主机上的虚拟机对降低主机过载风险的贡献和虚拟机迁移所需的时间这两个指标进行待迁移虚拟机选择；最后，使用GMM估算待迁移虚拟机对各个目标主机过载风险的影响，并选择受影响最小的主机作为目标主机。通过CloudSim仿真平台模拟该GMM-VMC方法，并根据能源消耗、服务质量（QoS）、整合效率等指标与已有的整合方法进行对比，实验结果表明，GMM-VMC方法能够有效地降低数据中心能耗，提高服务质量。

针对云环境下动态工作负载的不确定性，提出了基于自适应过载阈值选择的虚拟机动态整合方法。为了权衡数据中心能源有效性与服务质量间的关系，将自适应过载阈值的选择问题建模为马尔可夫决策过程，计算过载阈值的最优选择策略，并根据系统能效和服务质量调整阈值。通过过载阈值检测过载物理主机，然后根据最小迁移时间原则以及最小能耗增加放置原则确定虚拟机的迁移策略，最后切换轻负载物理主机至休眠状态完成虚拟机整合。仿真实验结果表明，所提出的方法在减少虚拟机迁移次数方面效果显著，在节约数据中心能源开销与保证服务质量方面表现良好，在能源的有效性与云服务质量二者之间取得了比较理想的平衡。