大数据一体机软件中间件是大数据和云计算领域研究的重要方向之一,大数据一体机独特的产品形态解决了大数据时代基础设施的持续化扩展问题,大数据一体机软件中间件的设计与研究有助于满足日益繁多的上层应用对海量数据的存储、计算需求,帮助系统充分发挥硬件性能,提高系统资源利用率,降低整体成本,进而促进整个大数据一体机生态的可持续发展。本文对大数据一体机软件中间件的研究主要包括以下两点:提出了一种基于排队论和粒子群的自适应容器资源调度算法。无论是在传统的数据中心还是当前的大数据一体机环境中,日益繁多的应用产生了大量的任务,不断增加的任务请求和系统环境下资源有限的状态形成了鲜明的矛盾。有效提高一体机的资源利用率是解决该矛盾的主要手段,本文基于容器技术提出了一种自适应容器资源调度算法,该算法依托排队论构建了任务平均等待时间和系统容器资源利用率的数学模型,在求解该模型的过程中使用了收敛速度更快的粒子群算法,求解结果可以帮助我们精确的调整容器的数量,最大化的节约资源。实验表明,该算法在满足任务平均等待时间的前提下,显著提高了系统资源利用率,且和主流的Kubernetes基于增量调度和全量调度的模式相比,本算法的任务平均等待时间更短、系统综合资源利用率更高。给出了大数据一体机软件中间件系统架构实现。该实现集成了主流的软件中间件技术,整个软件中间件使用了上述自适应容器资源调度算法,使整个大数据一体机软件中间件在满足任务平均等待时间的基础上具备弹性伸缩的能力,提高了系统综合资源利用率。除了满足大数据一体机的日常计算、存储需求外,结合当前研究重点设计了基于多级缓存的分布式存储模块显著提高了数据检索效率,并通过设计HBase文件索引以及大文件检索模块提高了HBase非主键索引和大文件存取性能。