云计算作为一种提供现收现付服务的经济模式,通过互联网为最终用户提供各种数据和处理服务。它将网络化的硬件、软件和互联网基础设施汇集在一起,目的是以计量、自助、动态可扩展的方式提供对共享计算资源的按需使用、按需付费服务。云服务提供商（Cloud service providers,CSPs）可以根据用户需求自动调整计算资源,从而最大限度地降低运营成本,具有自主感知和适应用户请求波动的能力。尽管可以使用该特性来提高资源使用效率,但由于云需求负载具有一定的波动性,如何准确确定可用资源是一个具有挑战性的问题。需求负载波动率过高可能会导致CSPs的资源过度利用或利用不足。资源过度利用意味着可用资源的数量（以MIPS为单位）小于客户请求的总MIPS,会增加任务的响应时间,进而违反服务水平协议（Service Level Agreement,SLA）。相反,利用率不足意味着可用资源的MIPS超过客户请求的MIPS,有更多的闲置资源会被浪费,给CSPs带来更多的成本。本文针对上述问题进行了深入的研究,从软件即服务（Software as a Service,Saa S）提供商的角度出发,围绕Saa S应用的资源配置和负载均衡问题,完成了以下工作:（1）资源弹性配置是云服务的一个关键特性,弹性使得云服务能够根据用户需求灵活增加或减少资源,并根据需求为云服务动态分配资源。要配置的资源量是根据工作负载的变化在运行时确定的,为了灵活应对这种波动需求,需要Saa S提供商提前配置适当的资源。本文提出了一种基于深度Q学习网络（Deep Q-Learning Network,DQN）的资源弹性配置方法,使用时间序列预测算法进行预测、DQN进行决策,预先合理配置资源,保障服务质量（Quality of Service,Qo S）;同时以自主计算循环结构为架构构建了一个双层动态资源配置框架,一层负责租用资源,另一层负责资源协调共享,提高资源利用率,防止出现过多闲置资源或任务拒绝的现象。最后,通过使用Google数据集进行了多组实验,证明了该资源弹性配置方法可以有效地降低用户请求的拒绝率,并且提高了云资源的利用率以获得更多的利润。（2）随着云计算行业的发展,CSPs的规模在不断扩大,服务器的低利用率会导致大量的电力和计算资源被浪费。所以,CSPs有必要在保证服务质量的同时通过负载均衡技术把服务器的利用率都控制在一个合理的范围之内。本文提出了一种基于竞争深度双Q学习网络（Dueling Double DQN,D3QN）的负载均衡方法,通过任务调度的有效分配实现负载均衡来降低能耗成本;同时基于深度强化学习模型,提出了一个负载均衡框架,利用目标网络和经验回放自动生成最优的长期决策,有效解决各个节点负载不均衡的状况。最后,使用Google数据集进行仿真实验,对具有多种资源需求约束的任务进行资源分配。实验表明,该方法能获得较优的资源利用率,可以有效的降低能耗成本。（3）设计了一个云服务数据管理原型系统,对资源配置和负载均衡进行仿真模拟,同时实现了数据可视化和数据分析两大功能。系统运行过程中数据流状态变化能够通过数据可视化模块监控并记录存储。存储的数据可用来训练算法模型,进一步改善服务,形成良性循环。