随着飞行器隐身技术的发展,追踪敌方隐形飞行目标变得越来越难。信息化时代的进步带来了卫星通信量激增。卫星与地面站之间的广阔空间充斥着电磁波信号,而在空中通过的隐形飞行目标将不可避免地影响到空间电磁环境,通过对当前电磁波信号与历史电磁波信号进行对比计算,便有可能发现隐形飞行目标。这样的探测系统面临着计算数据量庞大、实时性要求高等挑战。云计算技术可以高效解决大数据处理所面临的种种难题,十分适合应用于军事数据分析,尤其是像通过对比电磁波来探测隐形飞行器这样数据量庞大且实时性要求高的应用。在此背景下,面向特定应用的云平台被搭建起来。数据源源不断地从多个数据源输送到此特定的云平台来被进行处理,数据管理者可以使用多个计算中心对地理上分散的数据进行实时处理。由于需被处理的数据动态产生,且处理数据的计算成本变化不定,数据管理者希望低成本处理多源数据时会面临将各数据源动态产生的数据迁移至哪些计算中心、由各计算中心提供哪些合适的计算资源来处理数据的问题。本文研究面向大规模信号搜索的云平台中的任务调度与资源组织优化方法。首先,以上问题被转化为联合随机优化问题,基于李雅普诺夫(Lyapunov)优化框架,以上联合随机优化问题被分解为两个独立的子问题,并分别被求解,然后基于上述求解结果设计算法。分析发现,本文所提算法能在保证数据处理在一定时延内完成的前提下不断趋近线下最优解。基于真实数据集进行的实验验证了理论分析的正确性,以及所提算法的优越性。此外,构建了大规模信号深度搜索云平台,并在其上实际运行了相关隐形飞行目标探测应用,所研制系统己在战略支援部队某研究所部署应用。