随着计算机技术与互联网的发展,计算机的使用已经深入人们工作、生活的方方面面。相比独立计算机,虚拟云桌面拥有成本低、管理方便以及数据安全等众多优势,从而被政府、高校、企业等选用。虽然虚拟云桌面在初始化时可以灵活地为用户配置硬件资源,但是分配策略上还是存在问题。从节约成本的角度考虑,静态分配给用户的资源有可能在某一时间段不能满足用户的要求。而如果根据峰值负载来静态分配资源就会造成资源的严重浪费。所以,只要能正确识别虚拟云桌面用户的卡顿状况再进行硬件资源动态分配就可以提升用户体验以及节约成本。传统的虚拟云桌面优化方法通常作用于底层,如在内存部分,通过引入全局地址空间和逻辑地址空间映射机制来构建高效、可靠的内存资源抽象。传统的方法虽然效果不错,但是由于从底层架构着手,具有成本高、难度大等缺点。本文研究了一种基于应用层的虚拟云桌面卡顿检测方法,通过采集虚拟云桌面的运行时状态信息,经过数据分析和处理后使用机器学习方法训练分类模型,从而对计算机是否处于卡顿状态做出判断。本文从应用层着手,大大降低了经济、人工、时间成本,使得其研究使用范围可以更加广阔。在数据采集阶段,在多台虚拟云桌面上部署了采集程序,采集了CPU、内存、网络等运行时状态信息,然后针对数据的特殊性做特征分析和预处理。在实验阶段,使用了逻辑回归、支持向量机、反向传播神经网络等模型来训练数据。经过多次实验比较,其结果显示反向传播神经网络效果更好,且不管是在测试集中检测以及在实际情况的验证中准确率都较高,可以较好地检测出计算机是否处于卡顿状态。在卡顿模型的基础上,本实验还搭建了一个卡顿检测管理系统,能最大程度上发挥了卡顿检测模型的功能。由于本实验室基于应用层来进行卡顿检测的,因此并不能完美解决虚拟云桌面底层的资源分配问题。如果目标是从根本上对虚拟云桌面进行优化,那么必须要深入底层原理,从内存分配、网络传输以及虚拟化协议方面进行深入研究。此外,本文设计的是一个卡顿检测检测系统,想提升虚拟云桌面的使用体验还需要在取得检测结果后对资源做动态分配。这些都是将来的研究方向。