大数据时代为多核应用体系的研究带来了新的挑战。在应用层次,开发多核系统性能与效率的关键在于应用模型的设计,以适应对海量且多元的数据进行持续处理和分析。而应用模型体系与多核平台体系结构的契合程度,主要反映在是否更好的开发和利用了多核平台的并行性,是否充分发挥出了并行计算的资源优势。流式计算作为模块化的计算模型,为动态可变的数据流应用提供了分布式处理的平台体系。目前在分布式计算领域开始使用的异步消息驱动机制,为并行应用的模块化拆分提供了一套松散耦合的接口环境。其适合于对分布式计算模块进行切分和整合。在大数据背景下,如何设计动态的,自适应和可扩展的并行应用模型,已经成为近年来学术界和工业界共同关注的焦点。基三多核体系结构（Triplet-Based Architecture,TriBA）是本人所在课题组提出的一种新型的在体系结构层次直接支持面向对象技术的多核并行体系结构,其设计采用了层次化的存储结构和消息处理机制。本文主要针对TriBA的消息处理机制和应用模型体系展开深入研究,提出了一种自适应的,可扩展的应用编程模型与框架,其将消息传递模式与并行规划相结合,为分布式流编程提供了一套动态可扩展的开发规范。主要针对流式处理的并行性和自适应性展开深入的研究,提出了可控粒度并行技术,自适应并行技术和自适应负载平衡策略。本文研究内容及成果主要包括:（1）针对TriBA中的面向对象体系提出了一种基于消息驱动的分解与收敛编程模型。区别于传统的异步流式编程模型,本文所提出的基于消息驱动的分解与收敛流式编程模型,基于C++11的多线程内存模型进行底层运行环境的构建,并利用消息传递控制数据流的处理过程,能够将整个流处理过程切分为多个分布式的并行处理节点,把整个处理过程划分为分解和收敛两个过程。分解过程负责将应用的整个计算过程拆分为多个并行的,分布式的消息处理模块。收敛过程由多个具有异步消息合成功能的节点构成,负责对多个异步消息模块进行同步处理。整个模型利用消息的传递,控制,合成,来实现流式处理中的并行性控制问题。（2）面向TriBA中的消息处理机制提出了可控粒度（Controlled-Grained Parallelism）并行技术。在分布式流应用环境中,研究开发了StreamMDE编程框架,其在任务并行和数据并行两个层面来管理并行的规模。在任务并行层面,提出了有效确定性通信技术（Effect Deterministic Communication）,其有效的降低了分布式流应用环境中的同步通信损耗,并确保了各个异步节点进行协同运算时的结果一致性。在数据并行层面,提出了面向集成消息的虚通道技术（Message Integration Oriented Virtual Channel）,其有效的在单个计算节点中规划数据并行的规模,避免了计算资源在单一节点的过度使用,实现了计算资源在分布式流图中的均匀分布。（3）面向TriBA中的动态资源管理策略,提出了自适应并行技术（Self-Aware Parallelism）,并在流式计算环境中建立了自适应并行机制（StreamAware）。该机制的核心是设计并实现了一个基于分布式流计算环境的自适应环,提供了一套标准的方法来使流式应用通过自适应的调整程序流图结构来适应数据流的动态变化。其中的自适应环由基于消息驱动的异步有限状态基（Asynchronous Finite State Machine）实现,其定义了自适应环运行过程中的整个状态空间和相应的状态转换规则。（4）针对分布式流计算中的负载平衡问题,提出了基于消息驱动的自适应负载平衡策略（Self-Aware Load Balance Strategy）,其根据数据流的变化,以消息反馈的方式传递和汇总各个节点的负载状态,并建立具备自适应带宽的消息通道,自上而下的在流图中调整各层节点的吞吐量和数据并行规模。区别于传统负载平衡方法需要借助于全局同步的做法,本文所提出的自适应负载平衡策略采用局部与整体相结合的调整方法,利用局部消息反馈来分层级生成调整策略,再由各级节点自上而下执行调整。其为面向TriBA的StreamMDE应用编程框架提供了灵活有效的负载平衡解决方案。