物联网、通信网络、以及军事信息等技术的蓬勃发展不仅创造出大量的终端设备,更导致了战场数据的爆发式增长。如何充分利用数据资源、如何更快捷地从海量异构的复杂数据中快速提取有价值可共享的信息成为作战胜利的关键。信息服务云环境依托共享的信息技术基础设施,采用云计算或移动计算模型对大数据进行分析处理,并提供不同层次的数据服务,确保全军实现无缝、互通、高效的端对端信息共享。当前,面向大数据应用的信息服务云环境呈现出资源竞争使用性、服务需求高时敏性、服务需求多样性、环境高不确定性四大特点,这带来了一系列极大的挑战。为此,本文主要围绕信息服务云环境下的资源管理和服务协同,研究在统一框架下全局服务之间协作与联动,通过分布式资源的优化调度,确保信息服务云环境的核心任务功能持续有效运转,具体研究内容如下:针对不同租户的服务竞争使用网络资源的问题,本文提出了多租户的网络资源共享方法,以提高上层服务的性能。具体而言,通过引入进度的指标来衡量租户的整体数据传输率,该指标反映的是租户应用服务能够完成其数据传输的最慢速率。通过最大程度地提高租户进度,可以优化上层应用服务执行时间等性能。在此基础上,我们提出一种基于应用感知的网络共享方法,通过联合优化子任务放置和带宽分配的过程,我们最大化所有租户的进度,并在优势资源公平性限制下尽可能提高网络利用率。针对计算资源受限的终端设备,本文提出了面向大数据聚类的计算资源优化方法,以提高无监督聚类检测的效率。具体而言,通过引入凸聚类的方法将聚类问题公式化为凸优化形式,以提高聚类结果的鲁棒性;在此基础上,利用对象实例之间的相似性进行聚类操作,显著降低计算复杂度,以适应大规模高维数据;最后,设计了两种高效的改进算法以求解该新凸聚类模型,即交替方向乘子法和嵌套Mirror Prox算法。针对边缘层资源受限和资源竞价使用特性,本文提出了边缘层自适应资源管理方法,以降低资源被抢占风险和成本。具体而言,提出了虚拟机组合的概念,取决于服务对风险的承受能力和成本敏感性,虚拟机组合具有可配置的开销和可用性;其次,为了衡量和量化风险,借鉴现代投资组合理论的“均值-方差模型”,以收益的标准差来计算风险,并定义收益为使用这些实例所节省的开销;最后,证明了所提出的资源配置模型属于二次凸优化问题,并提出了一种改进的完全无投影近端随机梯度法来求解。针对终端用户动态变化的服务请求和复杂多变的边缘环境,本文提出了边缘层可靠高效的服务协同方法,以降低服务响应时间。具体而言,首先介绍了移动边缘计算网络的系统架构,并给出了在此架构下边缘服务协同的研究动因;其次,提出了基于风险规避的边缘服务协同服务协同模型和问题公式化,考虑到高计算成本和有限的战场资源,进一步将风险规避模型转换为有限和成分优化;最后,提出了基于方差缩减的边缘服务协同算法,理论分析证明本算法能够实现线性收敛速度,并显著降低计算复杂性,大规模数值实验也证实了其有效性。针对服务跨层部署与使用的独特需求,本文提出了“云-边缘-端”架构下的跨层服务协同机制,通过联合优化使得跨层模式的服务能力得到有效提升。具体而言,首先介绍了云环境三层服务器集群架构,并分析了影响服务协同的关键因素,从而引出交付路径联合优化问题;其次,采用马尔可夫决策过程模型来捕捉系统动态变化,并提出DeepDelivery自适应深度强化学习方法,用于交付路径协同;最后,进一步设计了一种基于组的收缩方法以减少相应的状态空间,广泛的模拟实验证实DeepDelivery显著地降低了服务协同延迟,同时提高了系统利用率。本文针对信息服务云环境建设过程中的四大挑战,主要围绕面向信息服务云环境的资源管理与服务协同,从虚拟资源层和业务服务层二个层次,六个方面开展研究,较为全面地确保信息服务云环境的核心功能持续有效运转,提高信息服务云环境在多样化任务和复杂赛博威胁环境下持续保障的能力。