为了构建大规模容器化虚拟网络，达到搭建高保真、易编程的虚拟网络环境的目的，提出一种基于时变资源的容器化虚拟网络映射算法，将OVS和Docker容器化的虚拟网络切块，并分布式地映射到若干计算、网络、存储资源受限的物理宿主机。首先，根据虚拟网络的拓扑结构，将具有密切链路关系的虚拟网元进行层次化聚合，以减小问题规模；其次，对聚合后的虚拟网络节点进行重要性评分，采用广度优先搜索算法与贪心策略对虚拟网络切块，并映射到资源匹配的物理宿主机；最后，通过虚拟网元消耗资源的定时反馈对算法中的资源评价模型作运行时动态调整，从而使物理资源得到有效利用。实验结果表明，该算法可在多台低配X86宿主机上容纳超过1 300网元的虚拟网络，且把网络抖动维持在0.1 ms以下。

针对高等教育本科教学场景中的学生成绩预测问题，提出了一种基于课程知识图谱（KG）的预测算法。首先，构造一个表示课程信息的课程知识图谱。然后，分别使用基于邻节点的方法和基于知识图谱表示学习的方法基于知识图谱计算课程在知识层面的相似度，并将课程的知识相似度集成到传统的成绩预测框架协同过滤（CF）中。最后，通过实验对比了融合知识图谱的算法和常见成绩预测算法在不同数据稀疏度场景下的性能。实验结果显示，在数据稀疏场景下，基于邻节点的算法和传统协同过滤算法相比，均方根误差（RMSE）下降约11%，平均绝对误差（MAE）下降约9%；基于图谱表示学习的算法与协同过滤算法相比RMSE下降17.55%，MAE下降11.40%。实验结果表明，运用知识图谱的协同过滤算法可使预测误差显著下降，验证了知识图谱可以作为历史数据缺乏场景下的信息补足，从而帮助协同过滤获得更好的预测效果。

针对云计算中对关联任务进行调度时出现任务执行延迟的问题,提出了一种基于任务分层和时间约束的关联任务调度(RTS-THTC)算法。该算法采用构建有向无环图(DAG)的方式表示关联任务的执行次序,通过使用对DAG进行分层的方法提高任务的并行性,计算每一层任务的完成时间约束,将每一层中的任务同时调度至具有最小完成时间的资源上。与基于异构环境的最小完成时间(HEFT)算法的对比实验〖BP(〗原文“试验”〖BP)〗结果表明,RTS-THTC算法在完成时间上比HEFT算法短,并且能够有效地减缓关联任务出现延迟的情况。