近来,大量的数据以地理分布式的方式生成,许多大数据的分析应用涉及分析这种地理分布式的数据。以往的做法是将这些数据传输到同一个云数据中心进行存储、管理和计算分析,这样的做法不仅会消耗巨大的带宽资源,并且会给用户带来较差的用户体验,如延时高等。随着云计算的发展,为了适应地理分布式的数据,地理分布式的云数据中心应运而生。许多数据导向的应用,如社交网络,都涉及在多个地理分布式的云数据中心上的大数据集。举例来说,Facebook每天都从全世界范围接受到TB级的各种数据,包括文本、图像以及视频等,为了给用户提供可靠、低延时的服务,Facebook建立了四个地理分布式的数据中心来保存、管理和分析这些数据。随着越来越多的数据在这些地理分布式的云数据中心中产生和存储,进程映射问题成为大数据分析应用在地理分布式云环境下的性能和成本优化中的重要问题。地理分布式云环境下有其独特的特点。首先,地理分布式云环境中的网络带宽具有高度的异构性。同一数据中心内的带宽通常比跨地域的数据中心间网络带宽高很多;而跨地域的数据中心间的网络性能又常常与区域之间的地理距离有很高的相关性。这些特征使得地理分布式云环境与网格或集群环境有很大不同。其次,跨域数据迁移的高开销以及诸如隐私保护之类的法律法规从另一个维度给地理分布式云环境下的资源管理加上了约束。为了解决上述问题,本文研究了地理分布式云环境下的网络异构性和数据隐私保护的特点,并将地理分布式进程映射问题形式化为一个带有多级约束条件的优化问题。我们提出了GeoOpt算法来快速地生成进程映射方案,使得应用能满足数据隐私保护的约束,同时能充分利用数据本地性,并且适应地理分布式云环境的网络异构性,最后获得优良的应用性能。真实云平台(包括Amazon EC2和Windows Azure)上的实验以及模拟的实验结果表明我们提出的方法比现有的最先进的算法获得更好的性能提升。为了适应更复杂的隐私保护约束条件,我们改进了GeoOpt算法的映射优化算法,提出了新的算法一个新的算法GeoImp,模拟实验表明在映射约束条件更复杂的情况下,GeoImp能获得比GeoOpt算法更好的性能提升。