国家十三五规划以来,数据中心迅速发展,其上承载的增值业务越来越多。一方面,数据中心越来越多采用基于NUMA虚拟化并行体系结构的云计算平台构建;另一方面,随着人工智能的快速发展,云平台需要能承载面向深度学习负载的多租户多任务应用,并具有可共享深度学习处理器（NPU）资源的计算框架。这必须解决三方面问题:（1）目前尚无面向NUMA架构具有虚拟化功能的并行计算框架;（2）尚无针对深度学习负载,面向多租户和多任务应用,具有不同类型计算作业共享资源的云计算平台;（3）针对深度学习推理类作业高效优化需求,尚无面向推理作业具有深度学习处理器资源共享功能的多计算框架的优化技术。为此,论文针对这三个问题,重点研究了NUMA虚拟化并行体系结构的访存优化问题、通量型云平台的容器快速启动问题和推理作业计算框架的优化问题。这三方面互相关联,通过对虚拟机访存优化研究,为云平台提供了并行计算的载体;通过对容器快速启动技术研究,降低了面向深度学习负载的云计算平台管理开销;通过对深度学习推理作业计算框架的优化,提高了基于NUMA架构虚拟化计算资源的利用率。论文研究具有理论和实践意义。本文完成的主要工作包括:（1）访存优化问题。NUMA架构中,各节点的处理器访存带宽不同,加上虚拟化管理层的影响,导致虚拟机处理器跨NUMA节点访问内存,从而造成云平台计算效率下降。论文首次提出了一种基于进程绑定的NUMA虚拟机访存优化方案。重点研究了处理器进程绑定技术、与宿主机相适应的虚拟机内存预分配技术和基于保证资源可用的虚拟机调度策略。实验数据表明,针对不同的测试用例和访存场景,该方案较原生云平台虚拟机的访存性能提升幅度可达到20～120%。该研究成果已应用于中科曙光公司云计算操作系统Cloudview产品中。（2）容器快速启动问题。容器启动速度是影响云计算平台运行性能的关键因素。当前以深度学习应用为代表的计算负载由软件服务变为微服务,导致容器数量剧增,造成容器响应速度急剧下降。为此,论文针对及时地启动容器、合理地屏蔽服务和计算资源的信息、高效地动态扩缩容计算服务三个目标,研究提出具有服务扩缩与隔离机制的容器快速启动技术,重点研究基于钥匙容器的生成与启动算法、运行时的服务容器控制算法和容器规模动态扩缩的控制算法。实验数据表明,该技术容器启动时间较传统方法缩短30%,通过多容器调度技术,整体作业运行效率提升53.8%。该研究成果已应用于中科曙光公司多款产品中,包括容器云平台Appfoundry、云计算操作系统Cloudview、人工智能平台Sothis AI和监控管理运维平台Gridview等。（3）计算框架优化问题。计算资源利用率是云计算平台的重要性能指标,深度学习是计算密集型任务,如何高效地调度深度学习处理器（NPU）,满足来自不同租户不同应用的深度学习推理任务的计算需求,是至关重要的。论文打破了不同租户和不同应用在资源使用上的界限,创新提出并实现了基于NPU资源池化的虚拟化系统。重点研究了专用的作业调度与加速平台、NPU资源池化方法和NPU细粒度调度方法。实验数据表明,单个NPU设备实现了资源池化之后,在批处理的推理任务中,不同神经网络模型和参数配比可以获得不同幅度的性能提升,提升幅度在493～915%。该研究成果已应用于中科曙光面向人工智能领域开发的深度学习服务平台Sothis AI中。综上所述,论文解决了面向深度学习负载的NUMA架构云平台优化关键技术问题,包括:虚机访存优化、容器快速启动技术和面向深度学习负载的计算框架优化。研究成果已成功应用于中科曙光相关软件产品,效果良好。