针对现云计算环境下需求不确定与并发性、混合云异构成本与计算环境动态性、新兴的容器化资源分配方式等新特征与新挑战，以提升流程QoS、降低云成本、改善云资源利用率和应对不确定需求为目标，解决大数据服务流程QoS与资源配置的协同优化问题。本书结合深度学习注意力机制、图网络、强化学习等新兴方法，从云计算流程(服务)QoS(性能、负载)预测与流程(工作流、任务或资源)调度优化两方面展开，介绍了并发场景下融合多种复杂因素的QoS预测模型、考虑QoS、混合云成本的多目标服务选择模型、基于容器化混合云的边-云多模态工作流调度模型和算法、容器化混合云中考虑工作流QoS的微服务集群弹性伸缩多目标优化模型，以及随机不确定场景下基于深度强化学习的边-云工作流实时调度框架等。