由于信息技术的高速发展，各种网络应用、物联网传感器产生的数据量爆炸式增长，在线的实时处理应用场景日渐增多，流式计算逐渐在大数据处理的领域占据一席之地。目前已有的许多开源的流计算框架中，Storm相对来说更加成熟、且应用广泛，将它作为研究对象有一定的应用价值。Storm应用的编程人员一直面临着性能调优困难的窘境，近年来逐渐有一些工作致力于设计流式处理引擎的自动调优框架，帮助编程人员减轻负担。　　现有的关于自动调优框架的研究工作存在着局限性，如:所探究的参数较少、调优的迭代次数较多等。本文着眼于这两方面为Storm应用设计一个新的在线自动调优框架，可考虑更多的参数的调优，同时调优的迭代次数更少。　　本文贡献如下:　　1.设计并实现了一个针对Storm应用的在线自动调优框架，以吞吐率和延迟为调优目标，对Storm框架中与性能紧密相关的Spout并行度、Bolt并行度、Worker个数、Acker个数等参数实施在线自动调优。　　2.提供细粒度性能数据的采集功能。除了吞吐、延迟这类应用级粗粒度性能数据之外，自动调优框架还会收集函数级别的细粒度性能数据，以获取更具体的执行信息。　　3.提出一个Bolt瓶颈识别算法，通过判断接收队列的阻塞情况识别瓶颈，它比已有工作的准确度更高。实验中该算法识别出了全部32组参数配置的瓶颈。　　4.优化对Bolt并行度的调优方法。采用代表值代替算术平均值参与计算，实验中该方法完全缓解了所有测试用例的瓶颈，而采用平均值的方法无法完全缓解瓶颈。　　实验表明，本文的自动调优框架所调优的Storm应用可以在达到用户给定的吞吐率下，获得稳定的延迟;且实验中框架的迭代调优次数平均仅为3次。本文的自动调优框架能够为Storm应用编程人员提供性能调优便利，在应用开发当中具有重要的实用价值。