近年来,随着云计算的大规模应用,越来越多的云应用部署在数据中心中。同时,虚拟化技术的快速发展,使得云应用能更加高效地共享数据中心的物理资源。依靠虚拟化技术,云应用一般部署在虚拟机群(Virtual Cluster,VC)中,VC 是一种多个虚拟机(Virtual Machine,VM)的抽象,且这些虚拟机都需要放置在相应的物理机上(Physical Machine,PM)。如何合理分配和管理物理资源以供给云应用的虚拟化资源调度问题成为工业界和学术界的研究热点之一,虚拟机放置问题和虚拟集群分配问题则为其中两类具有代表性的问题。然而,由于数据中心中存在设备失效的可能性,从而影响云应用的可靠性。可靠性,作为服务质量(Quality of Service,QoS)中一个非常重要的方面,在资源调度问题上受到非常多的关注。因此,云数据中心中可靠性感知的资源调度问题,正作为资源调度问题的一类热门分支问题。关于虚拟机放置问题和虚拟集群分配问题,以及可靠性感知的资源调度问题已经得到了广泛的关注且获得了许多有价值的研究成果,但是在此基础上考虑数据中心流量优化、数据中心能耗优化和数据中心资源的优化方面还存在不足。因此,本文针对可靠性感知的资源调度问题展开研究,做出了以下贡献:1.针对可靠性保障的流量感知虚拟机放置问题,提出一种基于图的的最小k割优化方法。该方法考虑数据中心中物理机失效导致虚拟机损失,为了降低其损失来提高可靠性,建立基于无穷范数的可靠虚拟机数量比率作为量化可靠性的一种指标。该方法。为了平衡可靠性和流量消耗两方面,将可靠性指标作为约束条件,最小化流量消耗作为优化目标,建立带约束的单目标优化问题,并分析其问题复杂性。基于图的最小k割,提出一种虚拟机划分-整合的近似算法,从而在保证可靠性约束的前提下尽可能降低数据中心中的流量消耗。通过实验验证,在可靠性参数需求介于45%到75%之间,所提方法相比对比方法更能降低带宽消耗。2.针对如何提高流量感知虚拟集群的可靠性问题,提出一种基于演化计算的资源分配优化方法。该方法同时考虑数据中心中交换机和物理机的失效率,以及失效域对虚拟集群中虚拟机损失的影响,从而建立与虚拟机损失相关的可靠性风险代价模型作为可靠性的一种量化指标。此外,依赖上述可靠虚拟机数量比的可靠性指标来提高虚拟集群分配的可靠性。基于上述模型,建立以可靠性风险代价和流量消耗为联合优化目标,以可靠虚拟机数量比率作为约束条件的优化问题。基于生物地理学算法提出一种改进的演化算法求解该优化问题。通过实验验证,相较最新的对比方法,所提方法在可靠性指标和带宽消耗指标上分别优化了 6.80%和1.18%。3.针对可靠性与能耗感知的虚拟集群分配问题,提出一种基于改进演化计算的多目标优化方法。该方法在虚拟集群放置问题上考虑其可靠性、数据中心能耗、物理机的平均资源利用率和物理机间的资源负载均衡。该方法指出可靠性和能耗在虚拟集群分配趋势上呈现互为优化冲突的表现,且现有研究即使考虑了这两个目标,在资源利用率和资源负载均衡上还能有很大的优化空间。基于相应的模型,该方法建立了带资源约束的多目标优化问题。基于生物地理学算法,将其改进为一种能够求解多目标优化的演化算法,且在其中加入两种阈值和相应机制使得该算法在解决多目标优化问题上表现出更好的性能。通过实验验证,相较高效的演化计算算法,所提方法的多目标平均提高率为47.63%。