随着大数据时代的进步与发展,数据量呈指数级增长。其中日志数据的研究对系统性能优化、用户行为分析、实时推荐等多个领域具有较高的价值,所以针对日志数据实时采集,挖掘内在数据信息并作出实时地响应具有较高的研究意义与价值。但目前在日志数据实时流处理的研究中,存在计算延迟高及资源调度时延较长等瓶颈问题。基于此,本文设计了面向海量日志数据实时流处理平台。本文的主要研究内容如下:（1）为了解决在Flink实时流处理平台中,原有的资源调度策略导致数据堆积与延迟过高问题,提出基于负载预测的资源调度策略。该策略主要包括:将基于机器学习的负载预测算法纳入到资源调度策略的制定流程中,同时兼顾考虑数据处理资源短缺与资源过剩两种资源配置场景,并且提出利用异步状态数据来制定基于在线的资源调度策略,以此解决基于离线的资源调度策略中数据堆积与时延过高的瓶颈问题。（2）基于中服云平台海量日志的场景,构建了海量日志数据实时流处理平台。该平台首先通过Flume对日志进行实时可靠采集,其次简单清洗,分类,将分类后的日志接入优化后的Kafka集群进行高效可靠的流转,接着Flink根据需求完成实时ETL,实时去重和实时异常告警等,最终HBase高效存储和Kibana展示。（3）本文设计的日志实时流处理平台部署应用于中服云上。且通过与中服云日志处理系统的对比,证明该系统不仅可以贴合中服云平台日志数据处理需求,而且具有良好优越性。