实时流数据是大数据时代的一种重要的数据组织形式,人们希望自适应流计算系统能够以低延迟和高吞吐量及时处理动态变化的实时数据流。流应用程序的有效运行时重配置被认为是保证流处理系统性能的关键之一,现有的许多工作都试图通过在某一种重配置机制的支持下,通过从某一个角度或对某一个层次进行的重配置来构建一个自适应的弹性流计算系统,如调整算子的并行度,调整任务部署以及调整流分区。本文认为,这些问题是紧密耦合的,因为他们都需要确定工作负载的分配,并在运行时迁移状态,因此单独优化这些问题可能会导致次优化,同时不考虑这些因素之间的协同可能会导致配置调整的抖动,这在某种程度上限制了系统性能的提升。针对上述问题,本文提出了基于Flink的多层次协同重配置策略（1）建立多层次流处理系统模型、数据流和流分区模型来解释多层次协同框架,并通过实验和理论分析确定了单一重配置算法在Flink流任务运行过程中面临的问题以及协同的必要性,之后对多层次协同的重配置问题进行了形式化描述与指标定义（2）提出了面向运行时重配置的多层次协同控制算法,通过平滑监控指标以及阈值控制,尽可能使用低开销的局部均衡策略对集群负载分布进行调整,实现多层次重配置策略对流处理系统性能的协同优化。（3）本文对资源管理问题和负载分配问题进行分析研究,提出了基于计算资源感知的流应用弹性算法、最小化通信开销的负载均衡任务调度算法,以及基于细粒度异步迁移的流分区算法。最大限度减小资源浪费,降低通信开销,并实现低迁移开销的负载均衡。本文在开源并行流处理引擎Apache Flink的基础上搭建了我们提出的多层次协同重配置框架（MCR-Flink）。并通过实验观察模拟负载和真实负载下多层次协同重配置策略对系统延迟、不均衡程度以及资源利用率的影响。实验结果表明本文提出的多层次协同重配置策略在不同场景下都由较好的适应性,同时能够有效减少应用高开销策略进行重配置对系统性能造成的影响。