云计算中一个关键优化方向是资源预置,用以实现负载均衡,进而提高系统的灵活性和可用性。然而研究表明云计算与以往的网格计算和高性能计算相比,前者的运行时状态较后者而言,显现出更多的不确定性。主要体现在云计算环境中的云元素(如云服务、Worker、用户交互、CPU、IO、内存等)的度量表现出的强非线性和可获得的云信息的不准确性和不完备性。因此,这种不确定性给云计算环境下的资源预置与负载均衡带来了极大的困难。在以往的研究中,大多数的工作专注于网格计算和高性能计算环境下的度量预测和分类,作为系统预警和调度的关键一步。由于其度量表现得相对简单,诸如多项式拟合、ARMA、逻辑回归等模型能够很好地对此度量进行建模。然而云计算环境中的度量具有强非线性,以往的模型过于简单,不能有效地用于云元素度量的分析。因此,另外一部分工作将更复杂的模型用在云元素度量的分析上,例如深度信任网和分形法等。本论文在以前的工作基础上,提出一个新的模型,既模糊均值协方差受限玻尔兹曼机(Fuzzy Mean-covariance Restricted Boltzmann Machine,简称FMCRBM),来对云环境的不确定性进行建模。围绕该模型,本论文为云计算集群的度量分析提供一个解决方案,其研究内容主要包括三个方面。首先,本论文基于受限玻尔兹曼机和模糊理论提出将均值协方差受限玻尔兹曼机(简称mcRBM)的网络参数模糊化,进而提出FMCRBM,及其参数训练算法。第二,本论文将此模型用于谷歌云元素度量的分析,并与深度学习算法深度信任网进行了比较,显示出了更高的预测精度。第三,本论文提出使用方差分析和试验设计的方法为本模型设定最优的一套超参数,结合FMCRBM的参数学习算法,本论文成功地为云计算集群的度量分析提供了一套综合的解决方案,为云计算环境提供可靠的服务预置和管理,进而为云计算系统的资源调度和负载均衡提供有力保障。