云计算中提供的SaaS应用带来的是租户越来越多,其需求越来越广泛,对服务器的性能也提出了更高的要求,所以在处理租户请求的时候大多数的瓶颈都会出现在SaaS端,导致租户请求得不到有效及时地处理,SaaS中的资源也没有被充分利用。而较好的负载均衡策略可以为用户提供较高质量的服务并提高SaaS应用的资源利用率。由此可见,研究SaaS应用中的负载均衡技术非常重要和迫切。在SaaS的众多特征中有两个重要特征显著区别于传统软件:多租户、可伸缩。本文站在SaaS重要特征的立场,提出了一种基于随机Petri网的根据租户请求分流、在局部和全局两个层次伸缩的SaaS负载均衡模型—随机Petri网(Stochastic PetriNet,SPN)模型,此模型是本文使用Petri网展开分析的基础,并在此模型的基础上提出了两种模型执行策略。(1)第一种执行策略:基于多租户和可伸缩的负载均衡调度策略(Load Balancing based on Multi-tenancy and Scalability,LBMS):首先租户选取一个与自身需求匹配程度最高的服务器集群,当没有满足条件的服务器集群的时候,在局部甚至全局随机选取能处理自身请求的服务器集群,并且与轮询算法(Round Robin Algorithm,RR)、随机算法(Random Algorithm)和改进的最小连接负载均衡算法(Improved Least-Connection Scheduling,ILCS)进行比较;(2)第二种执行策略:LBMS与最小连接数算法(LBMS+Min-Connection,LBMS+MC):本策略在第一种执行策略的基础上与最小连接算法相结合,是对第一种执行策略的优化,在选取局部或全局服务器集群的时候使用最小连接数算法,可以提高服务器集群的利用率,减少租户的等待时间；本文使用了随机Petri网建模方法建立了一种基于SaaS多租户和可伸缩的SPN模型,将模型与以上两种策略结合以后,使用随机Petri网分析工具对该模型进行仿真实验,结果表明,LBMS策略与RR算法、随机算法和ILCS比起来具有较低的总响应时间和较高的总吞吐量;LBMS+MC策略与LBMS策略相比又具有较高的总吞吐量和较低的总响应时间。