云计算是一种新型服务计算模式,其通过Internet向用户按需提供计算服务。得益于云计算的可用性、经济性、便利性等优势,越来越多的公司和个人将业务迁移到云,这进一步扩大了其经济规模。但当前云计算平台粗犷的资源管理和单纯追求计算性能的任务调度方式已遭遇瓶颈。研究如何合理地配置资源,并将用户提交的任务分配到合适的资源上执行是极其关键的问题。然而任务对资源需求的不确定性及资源的异构性,给云资源分配及任务调度加大了难度。本文围绕云计算环境下供需感知的资源分配及任务调度展开研究,主要包括云平台监测数据预处理及特征选择、负载资源需求预测、供需感知的双边匹配调度及多维Qo S调度优化。目的是通过以上研究,使得云计算资源能得到合理地分配、任务被高效地执行,同时在满足服务质量Qo S时,减少云平台的能耗、降低成本,实现绿色可持续计算,并为“新基建”推进提供一点参考。本文的具体研究内容主要有以下几个方面:（1）针对因云平台监测数据异常、冗余问题,分别提出了基于Spark的分布式预处理和启发式特征选择（属性约简）算法。预处理方法包括监测数据采样分析、异常数据辨识、清洗修复及离散化等。其能有效的处理大规模监测数据,为后续特征提取提供了重要保障。所提的属性约简算法结合监测数据特征,对不一致对象进行处理。在计算属性重要性时利用启发式方法减少搜索空间,并引入条件属性和决策属性之间的相关性来进一步优化计算效率。该分布式约简算法能有效提取影响任务调度的关键特征,此外相较其他对比算法,平均运行时间至少缩短了24.83%。（2）针对云平台负载资源需求的不确定性,提出了误差修正的加权随机森林负载资源需求预测方法。该方法结合负载变化的周期性、邻近性、相关性和连续性等特征,提出了加权随机森林负载资源需求预测方法,其权重由融合双重相似因子的权重确定方法计算获得。为进一步适应负载的时变性、波动性和突发性,利用动态自适应误差修正方法对其改进。该负载资源需求预测方法具有良好的预测精度,且有较强的稳定性。（3）针对资源需求的动态性,结合（2）提出的预测方法设计了前瞻式资源分配方法。针对任务的多样性以及资源的异构性,提出了多级供需感知队列MLQ-SD,其主要由多级任务资源需求队列MLQ-TRD,多级资源供应队列MLQ-RS,混合驱动的供需队列滚动更新机制HDRUP-SDQ这三部分组成。MLQ-SD可以根据任务和资源的特征进行队列划分。最后在上述基础上设计了基于前瞻式多级供需感知队列的双边匹配调度算法。该算法根据资源需求动态伸缩资源规模,并帮助任务队列分配给与其执行能力匹配的资源队列,提升了任务及资源的执行效率。此外,相较Bench Mark算法,该算法至少节约了11.08%的能耗。（4）针对云计算服务提供商和云服务用户的多目标优化问题,提出了一种AHP定权的多维Qo S任务调度算法。该算法首先全面量化分析了各维度Qo S评估指标,然后定义了多维Qo S综合效应值VQo S,并利用层次分析法为VQo S确定合适的权重,VQo S可较为客观的评估云计算任务调度的合理性。最后利用VQo S对（3）提出调度算法进行改进,实现更细粒度的优化调度,从而保障云服务提供商和云服务用户的双重Qo S利益。