随着云计算、物联网、人工智能和5G等新兴信息技术的不断发展,传统的批处理计算模式无法适用于海量实时数据的处理和分析,基于流式计算模式的分布式流处理系统应运而生,并在社会各个领域中广泛应用,已经成为大数据处理生态圈中重要的组成部分。但目前主流流式计算系统使用的静态任务调度机制和轮询调度算法,使其在实际应用中无法对任务进行动态调度,从而在运行性能、负载均衡和资源利用率等方面对系统产生影响,限制了流式计算系统的应用场景。针对该问题,本文以新一代开源流式计算系统Apache Heron为研究对象,使用启发式规则并结合拓扑结构提出两个动态任务调度算法,旨在降低系统整体通信开销,提高系统数据传输效率并均衡集群工作负载。本文通过实验和观察剖析Heron默认调度机制在实际应用中存在的困难和挑战,明确针对系统通信开销进行优化的研究可行性。进而对其默认调度算法进行抽象,建立任务调度基本模型并提出资源约束模型和最优通信开销模型,将任务调度优化问题定义为NP-Hard问题。为在合理的时间范围内解决该问题,首先提出以分类为启发式规则的流分类任务调度策略(DSC-Heron),其根据拓扑运行时实时数据流大小使用流分类算法对数据流进行分类,通过流分类任务调度策略对不同类别的数据流进行重调度,并使用流簇分配算法将对系统开销影响权重较高的高频数据流聚集到同一工作节点中,从而在满足资源约束条件下将节点间通信转化为节点内通信,降低系统整体通信开销以提高系统数据传输效率和系统性能。其次基于负载感知模型提出以数据流转化量为启发式规则的负载感知任务调度算法(L-Heron),该算法以工作节点理想负载为紧凑资源约束条件,在任务重分配时始终贪心的选择具有最大数据流转化量的任务实例进行调度,使最终构建的目标任务分配计划在满足负载均衡模型的同时最小化整体通信开销,从而提高系统性能并均衡集群负载。最后,基于MAPE模型构建Heron环境下的动态任务调度机制,提供异步自适应的动态调度过程和配置化的动态调度算法部署模式。实验采用Heron经典示例拓扑、自定义拓扑和开源基准测试拓扑,分别在系统完成时延、通信开销、吞吐量以及负载均衡方面评估DSC-Heron和L-Heron的有效性和适用性。实验结果表明,两种动态任务调度算法相较于默认调度算法均具有一定的有效性,其中DSC-Heron更适用于具有较大数据倾斜的拓扑并能够在一定程度上均衡负载,L-Heron具有较广泛的拓扑适用性,可以在弥补DSC-Heron不足的同时对具有较大数据倾斜的拓扑进行显著的负载均衡。