近年来,互联网信息技术、SOA等日益成熟,在实践领域得到了日益广泛的的应用,在当前的国际研究领域,立足服务理念的新一代云计算技术已然成为了专家们的研究热点。毫无疑问,云计算的快速发展,使得信息技术更加专业化、智能化、集约化,在云计算的推动下,使得多条信息技术产业链之间的联系日益紧密,资源聚合效应日益突出,进一步促进了协同工作、信息共享,为步入面向服务的计算时代提供了新的思路。针对目前网络运维管理系统存在的“信息孤岛”及管理系统功能缺乏灵活性的问题,提出了基于云计算的综合运维管理框架,该框架充分吸收虚拟化和面向服务架构的思想,将运维管理功能封装为松耦合的服务,打通原有各系统间的壁垒,实现管理互通。针对基于云计算的分布式运维服务选择、基于Hadoop平台的运维数据分类、基于Hadoop平台的运维数据聚类等方面存在的不足,分别从以下方面展开研究:为了处理云的随机性所造成的不可预测性的情况,我们提出了一种基于学习方法的在线算法。本文重点考虑了用户基于历史经验进行服务选择的个体性和动态性,提出了在线服务选择框架,通过研究分布式选择策略取得全面的服务性能保证。本文提出了基于机器学习的服务选择策略Exp3.C,引导云计算系统在博弈中达到纳什均衡。本研究表明在一个复杂环境中云端用户可能是不理性的,服务提供者提供的资源也是随时可变的,用户的收益仍能够确保达到的时间复杂度。最后,通过仿真证明了这个算法的稳定性,可以根据用户的敏感程度提高用户满意度并保障服务质量。针对SPRINT算法存在问题,对其中最佳分割点的计算方法进行了改进,提出可通过两种新的数据结构,即类型划分表以及合并化分区表,使得运算过程更加精简,使得不必要的运算能够得以减少,以减少候选节点数目,通过这种方式使得构造决策树所需时间得以缩短,使得算法性能得以优化。面对海量数据信息,考虑到在对其进行分类处理时的需求,综合云计算以及数据分类技术,提出基于Hadoop平台的数据分类实现模型。从模型的需求分析、模型构成等角度入手使得数据分析与Hadoop实现了有效融合,并且重点优化改进了SPRINT算法的具体实现,具体来讲主要是从排序并行化、节点并行化、属性并行化等方面实施优化,以保证改进后的算法可适应于Hadoop平台。针对蚁群聚类算法前期收敛速度缓慢的缺点,引入了数据预处理原则,通过K-means算法对数据进行预处理,降低了算法的时间代价。引入K-means算法的改进算法MMK-means算法,克服了K-means算法原有的部分缺点,使聚类效果更优秀。将两种改进的算法进行结合,提出基于MMK-means与优化蚁群聚类的混合聚类算法。通过仿真实验验证了提出算法的可行性和有效性。针对信息服务设施重复建设、服务体系“烟囱”林立、维护保障难度较大、信息共享使用比较困难等诸多问题,提出一套在云计算环境下的统一网络管理框架。首先,对面向任务的云计算服务及数据资源管理体系结构进行了研究,并对其组成部分进行了介绍。其次,对基于管理代理的云计算网络资源监控技术进行设计,并对其运行机制进行了阐述。最后,对面向任务的自适应云计算网络规划调度技术进行介绍,对其需求的资源视图和描述方法进行分析,提出了一种基于层次分析法的虚拟机网络规划方法。