物联网技术的不断发展,体现为物联设备的大量普及并得到广泛应用。通常物联设备受限于电池容量、存储空间、计算能力等因素导致其不适合单独完成一些复杂的任务,而云计算技术则为这些设备的功能拓展提供了平台与服务的支撑。一方面物联设备需要利用云资源来扩展自身的能力,另一方面,通过云平台,云端应用程序也可以利用物联设备提供的服务。本文总结并提出了三种云为物联设备提供服务的模式,研究探索面向物联设备的云服务调度问题,使得云平台更有效的利用虚拟化技术为物联设备提供服务,目标构建基于虚拟化技术的物联设备云服务平台。本文的主要工作和创新性成果如下:1)针对服务请求模式,研究面向物联设备的虚拟机最优放置问题。提出了一种最小化往返时延(RTT,Round-Trip Time)的虚拟机放置算法以减小设备服务请求的时延。在该服务模式中,运行在云端虚拟机中的服务程序为物联设备提供服务。首先,本文提出了一种虚拟机动态放置框架。在该框架中,云中心物理机网络拓扑采用Fat-tree进行构建,物联设备的服务请求通过负载均衡模块分发给相应的核心交换机。然后,本文将核心交换机与物理机之间的往返时延作为服务时延的度量,进而提出了最小化往返时延的虚拟机放置算法。同时,考虑到核心交换机发生故障的情况,提出一种虚拟机重调度算法来减少所有服务请求的平均往返时延波动,以确保设备端程序稳定运行。最后利用CloudSim云计算仿真软件对本文提出的算法进行验证,实验结果表明,本文提出的算法可以有效的降低物联设备服务请求时延。2)针对任务卸载模式,研究面向物联设备的任务卸载问题。提出了一种两层强化学习算法的任务卸载策略,以此来权衡云资源利用率与任务时延两个参数。通过理论分析可以知道,在任务卸载问题中,同时提高云资源利用率与降低任务时延通常是相矛盾的。因此本文利用强化学习算法对任务卸载问题进行建模,然后引入带权重的回报值,并通过调整权重参数来权衡云资源利用率与时延两个参数。在强化学习算法中,高维的状态空间与动作空间会使得算法收敛较慢。为此,本文提出了两层强化学习算法来解决该问题。首先,利用k-NN算法将云中心的物理机划分为k个集群,每个集群的物理机具有相近的带宽与任务等待时间。其中算法第一层用深度强化学习来实现,以此根据当前卸载任务确定最优的物理机集群。第二层用Q学习算法实现,在每一个集群中学习最优策略来选择物理机用于运行卸载任务。最后经过模拟实验表明,通过调整算法回报值的权重参数可以有效的权衡云资源利用率与任务时延,同时所提出的两层强化学习算法可以更快学习到最优的任务卸载策略。3)针对物联设备即服务模式,研究面向物联设备的动态组合问题。提出了一种基于子任务分解策略的自适应Web服务组合算法。该算法将利用不同服务组合任务之间的关联进行联合学习。首先,利用马尔科夫决策过程对服务组合问题进行建模,每个动作对应一个备选的服务,目标是学习最优的服务组合策略使得组合服务QoS最大。其次,考虑到不同服务组合任务之间的关联,基于图论将复杂的服务组合任务分解成多个相互独立的子任务。然后将属于不同服务组合任务的共同子任务之间建立联系,提出Subtask-assistance更新策略,并在此策略基础上提出Multi-Qlearning算法,该算法适合于大规模的动态服务组合问题。最后利用QWS数据集对提出的算法进行验证分析,结果表明,所提出的算法在动态环境下具有更快的收敛速度。同时由于利用Subtask-assistance更新策略,具有相同子任务的不同服务组合任务的收敛速度均可得到提高。4)提出了一种基于Linux-Container的物联设备接入框架,并结合前三项.研究内容构建面向物联设备的云服务平台。首先详细阐述了所提出物联设备接入框架的运行机制,与现有的一些框架作对比,所提出的框架具有便捷的连接方式与更好的扩展性。然后详细描述了基于本文所提出框架而实际构建的面向物联设备的云服务平台,该平台实现了本文研究的云为物联设备提供的三种服务模式。最后利用搭建的面向物联设备的云服务平台,实际开发了面向智慧社区的健康检测系统与北京科技大学健康监护平台,并作为民政部信息惠民工程中的智慧养老示范项目,将该系统与平台在北京科技大学社区和二里庄社区进行示范应用。