为提升深度学习(Deep Learning,DL)模型推理的准确率,深度神经网络(Deep Neural Network,DNN)的结构变得愈加复杂,其训练处理的数据量也随之增大。因此,传统基于单节点的训练方式及其计算、存储能力已无法满足大规模DNN的训练需求。为保证DNN训练性能并节省训练成本,在公有云中分布式地部署训练DNN模型已成为一大趋势。然而,在Amazon EC2公有云中通过实际运行典型DNN训练负载的动机实验发现,分布式深度神经网络(Distributed DNN,DDNN)训练存在大幅度性能波动现象。进一步对动机实验结果进行分析得出DDNN训练性能波动的三大形成原因:第一、当前主流公有云中实例(即instance)的计算与网络资源配置不均衡、以及模型参数频繁地通过网络进行更新,使得DNN训练集群中的参数服务器极易成为资源瓶颈;第二、与本地可控的集群资源相比,公有云实例底层硬件存在较大的异构性;第三、当前分布式深度学习框架优化机制下存在DDNN训练计算时间与通信时间不平衡现象,从而导致深度学习集群计算资源利用率低下。为此,本文提出一种面向深度学习性能保证的高效益云资源配置框架Cynthia。具体而言,Cynthia首先构建起一个轻量级的DDNN训练性能分析模型及训练损失函数模型,综合考虑由资源瓶颈和硬件异构性带来的性能波动影响,用于准确预测DDNN训练完成时间。其次,基于该性能预测模型,Cynthia进而设计一个简单且有效的高效益云资源配置算法,可在保证DDNN训练性能的同时,最小化训练成本花销。最后,通过在Amazon EC2中运用Kubernetes实际部署一个由56个容器构成的深度学习集群,实现了Cynthia原型系统。基于Cynthia原型系统的大量实验表明:Cynthia在提供可预测DDNN训练性能的同时,减少DDNN训练成本花销高达50.6%,并具有可接受的运行时性能开销。