中文摘要：

云计算作为一种新型的网络服务和应用模式，具有可扩展、虚拟性、通用性及廉价等特点，是下一代网络计算模式的发展方向，具有广泛的应用前景。云环境下，各种应用以多粒度的形式对外提供服务，聚合可伸缩的多粒度异构资源，面对用户需求，如何灵活地构建计算环境，自适应地感知用户数据并完成服务调度，成为云计算需要解决的关键技术问题。本项目紧密结合云模式下多粒度计算的特点与需求，重点研究云计算模式下多粒度计算服务集的自适应调度策略与实现机制，包括云计算服务/资源的多粒度表示与管理模型、粒度敏感的云服务自适应调度策略及其性能评测。在构建的适度规模云计算系统中部署仿真服务和自适应调度器，相关算法和实现机制最终在仿真实验平台中进行验证、评价和完善。

结论摘要：

云环境是一个动态变化的大规模分布式计算环境，研究其中的自适应调度策略和机制必须要从计算环境的动态特征入手。为了适应由大量廉价计算机组成的云环境所带来的各种节点和任务失效，本项目研究了支持容错的调度机制，基于检查点和主动复制技术，可有效适用多种MapReduce任务类型，明显减少节点失效时的作业延迟，并且能够在不显著增加额外开销的情况下，比Hadoop的运行时性能提升30%以上，甚至在大量节点失效的情况下，能够将性能提升到80%以上。 为了适应用户对应用服务动态变化的需求，研究了支持服务复制的应用部署方法，能够应对登录用户的动态增长，通过服务的动态部署，既减少用户对应用服务的访问失效率，又能够提高服务响应时间，从而保证了服务的SLA，提高了应用的可扩充服务能力。 为了适应云中流媒体直播的多区域用户请求波动，研究了一种结合网络流模型的资源分配方法，超越现有CDN和P2P技术的资源部署不足或资源过度部署的问题，能够在请求速率波动较大的情况下，充分考虑用户请求的统计分布信息，显著提升了资源使用效率和系统容量。 大规模的网络服务系统面临着全球各个区域的高度动态性的用户请求，本项目研究了多数据中心的资源配置方法，以适应用户多维的随机请求，提出利用云中无限充足的资源进行配置，以降低花费并提供足够的服务质量。实验结果表明，该算法能够达到99%最优的情况，并且时间复杂度大大降低。 针对“计算-数据密集型”的渲染任务，研究了一种自适应的动态负载均衡调度算法，既考虑了异构节点的处理能力，也考虑了渲染节点的实时负载以及动态反馈，在不进行任务迁移的情况下也能提高系统的整体吞吐量，保证任务的执行性能不会随规模的扩大而降低，达到提高任务吞吐率、均衡资源负载的目的。 本项目的研究成果主要面向云计算环境的资源调度和资源分配问题，所给出的调度方法和机制经过仿真实验和实际云平台的验证，可有效应对用户需求、负载和计算服务能力的动态变化，处理一般并行任务、计算-数据密集型任务、时间约束的流任务等，这些自适应的资源调度机制和方法对推动云计算在多媒体、大数据等领域的应用有重要价值，可显著提高云服务平台的资源利用率、用户服务质量和SLA。