随着云计算和信息化的快速发展,互联网上兴起了具有大量数据的业务过程和科学流程。但是,由于数据的所有权和管理权分离,云服务提供商(Cloud Service Provider,CSP)可以获取、搜索用户存储在云端的数据,因此,用户存储在云端的隐私信息容易被暴露,导致严重的用户隐私泄露问题。用户就需要考虑高效利用云资源与其数据隐私、安全保护之间的平衡。云工作流系统作为支持业务过程管理的一个自动化利器,其调度优化已成为了现下工业界和学术界的研究重点,国内外同行也就其开展了众多的研究,但就隐私保护与工作流调度优化的结合而言还是一个研究盲点。本文对考虑隐私保护的云工作流调度问题进行研究,主要的研究工作如下:(1)针对云工作流执行过程中的用户隐私保护需求,建立了隐私感知的云工作流调度模型,定义了考虑隐私保护需求的工作流描述语言P-WSL,并就隐私保护需求约束与调度约束冲突提出了一种基于P-WSL的约束冲突检测方法。(2)在粒子群以及模拟退火等智能优化算法的基础上,通过引入经典表调度算法CPOP中的任务优先级计算策略,提出了一种具有隐私与云资源使用成本感知能力的云工作流调度方法——CP-PSO。该方法首先采用考虑成本因素的上行与下行权重来计算各个工作流任务的优先级,然后结合隐私保护需求采用粒子群算法进行搜索、优化调度方案,最终的仿真实验说明了该方法的有效性。(3)基于经典的遗传算法,提出了一个考虑隐私保护与时间、成本感知的数据密集型云工作流调度多目标优化算法来寻找最优的调度方案。其成本主要包括云资源的计算成本,云工作流中数据传输成本以及存储这些数据的存储成本。算法主要利用考虑工作流任务的DAG图深度及其调度成本确定的上行与下行权重值来计算任务的调度优先级,以此来进行快速地获得一个较好的初始化种群。然后应用一系列诸如选择算子、交叉算子、变异算子等优化算子来提高算法求解的能力。最后,经过Cloud Sim进行实验仿真,证明了所提算法在确保用户隐私保护需求前提下仍能够较好地优化云资源的使用成本,具有良好的性能。