随着人工智能、大数据、区块链等技术的发展,普通计算机有限的计算和存储能力已经无法满足个人及企业用户日益增长的资源需求。云计算作为一种资源网络为大量的计算资源缺口提供了一种新的解决方案,使用者可以随时获取“云”上“可无限扩展”的资源,按需求量使用,按使用量付费。然而,云数据中心在为用户提供高效计算服务的同时,也带来了大量的电力资源消耗以及二氧化碳排放。因此,云计算动态可扩展性作为保障云平台服务质量并提高资源利用率的有效方式,一直是国内外学者的研究热点。目前对此的大多数研究都是基于虚拟机的粒度进行的,随着微服务架构的兴起,容器因具有启动速度快且开销低的显著特点而成为微服务架构的首要部署技术,使用容器能够大大提升云平台的服务质量。但是容器集群的使用使得原来的虚拟机集群扩展到了容器-虚拟机的两层结构,因此原本基于单层结构的研究并不完全适用,且目前对于两层结构的研究较少。针对上述问题,本文基于容器-虚拟机两层结构研究云平台的弹性及性能成本优化方法,论文主要工作包括:（1）基于云计算中任务调度和任务执行的两阶段过程构建排队论弹性模型。该模型在现有研究的基础上充分考虑实际云平台中调度队列、执行队列的有限容量问题及容器-虚拟机两层结构的特点,通过一维M/M/1/Kd排队模型及二维M/M/ci Ni/K i排队模型分别构建任务调度模型及任务执行模型,并结合拟生灭过程及矩阵几何解给出排队模型的稳态概率分布。（2）基于现有单层结构研究成果给出本文两层结构模型的弹性、性能及成本指标定义并分析系统配置参数对各指标的影响。首先,通过上述模型稳态概率分布结果计算排队模型的损失率、期望任务队列长度、期望虚拟机数量、任务响应时间等多个属性。随后,结合现有研究结果给出模型的弹性、性能及成本指标的量化定义。最后,根据属性计算结果及量化指标定义进行参数数值分析实验,进而分析系统配置参数对各指标的影响并通过对比实验证明两层结构模型的优势。（3）基于单目标优化方法与多目标智能优化算法求解模型最优参数配置及性能成本Pareto前沿。首先,根据上述指标定义及两阶段模型特点将优化模型划分为子模型优化、调度模型优化及任务流分配三个子优化模型。然后,基于多目标智能优化算法、单目标优化理论与实验结论给出优化方案,同时通过理论与实验分析方案的可行性。最后,通过实验对比分析本文模型及优化方案的优势及有效性。经实验验证及对比分析,本文所提出的基于容器-虚拟机两层结构的两阶段模型相较单层结构模型大部分情况下在弹性、成本及一些性能参数上有更好的性能表现。所提出的优化方案能够有效给出模型的基础参数配置及任务流分配方案,达到较高的整体性价比。