随着分布式计算应用的飞速发展,数据中心的网络已经由以往数据中心与外界的南北网络流量主导,变为如今数据中心内部的东西网络流量主导。分布式计算的发展给数据中心网络的设计带来了诸多需求与挑战,其中比较突出的难点在于分布式计算中任务类型的混杂性、网络流量的突发性、网络需求的多样性等等。由于光交换技术的低时延、高带宽、交换维度多、网络资源维度丰富以及拓扑的灵活性等特点,光交换技术已经成为了解决数据中心网络内分布式计算的网络压力问题的极有前景的解决方案。现有的基于光交换的数据中心网络研究虽然已经取得了许多成果,但是其中针对分布式应用的网络特性的研究仍然有所欠缺。一方面,以往光交换的底层网络拓扑研究并没有考虑到分布式计算应用的网络流量空间特性;另一方面,以往光交换数据中心内针对分布式计算网络流量的上层控制与调度方法的研究往往难以适应数据中心网络的高复杂性与高动态性;此外,将分布式计算应用与光交换网络进行协同设计的研究仍然有很大的研究空间。这些问题都制约了光互联数据中心内分布式应用性能的进一步优化。为了解决以上问题,本论文正是面向当今快速发展的分布式应用进行的光互联计算系统研究,即探究如何从光互联数据中心网络内底层拓扑、上层控制、应用层面的不同层次和角度来善用光交换技术以解决分布式计算应用带来的网络压力。本论文的主要工作总结如下:第一,从网络底层的光拓扑构建的角度,本论文研究了如何构建光拓扑来更有效地支持分布式计算网络流量的空间特性。本文提出了基于区域间流量需求的拓扑重构机制OCBridge,通过借鉴图理论中边介数的概念来评价光拓扑建立的价值,进而辅助构建高效的光网络拓扑。基于该思想,OCBridge可以显著提高光链路利用率以及数据中心对于分布式计算应用产生的流量的承载能力。本文通过在光电混合数据中心架构Helios和全光互联数据中心架构OpenScale中的仿真分析,验证了 OCBridge的有效性与普适性,并通过实验分析验证了OCBridge对网络密集型分布式计算应用的加速效果。第二,从网络上层控制的角度,本文研究如何应用人工智能方法对复杂且高动态的光电混合数据中心进行流量的调度,并提出了基于深度强化学习的流量调度方法Flow Splitter。本文对Flow Splitter的设计避免了深度强化学习的运算时间对流量调度的影响,并提升了深度强化学习的收敛性。通过学习与训练,Flow Splitter可以不断地探索光电混合数据中心中分布式计算的网络流量特性,最终得到最优的流量调度策略。通过仿真分析,Flow Splitter可以在对数据中心整体影响不大的情况下,有效解决现有网络流量调度方法的缺陷,并大幅降低时延敏感的数据流的完成时间,从而满足分布式计算应用的需求。第三,本论文探究如何将分布式应用与光互联数据中心网络的底层拓扑和上层控制进行协同设计。本文提出了 OEHadoop,一种将网络与应用协同设计的光电混合数据中心解决方案。OEHadoop将底层网络拓扑、上层网络控制算法、分布式应用三个层面互相结合,共同优化,在拓扑层面加入了对分布式计算应用中一对多流量的支持,在控制层面加入了加速流量传输的调度算法,在应用层面加入了应用与网络协同的控制机制。仿真分析表明,OEHadoop可以有效加速分布式计算应用中常见的一对多流量的传输速度,并可以提升分布式计算的运行效率。通过实验,本文也验证了 OEHadoop的可行性。