大數(shù)據(jù)流式計(jì)算平臺(tái)Apache Storm默認(rèn)采用輪詢(xún)的方式進(jìn)行任務(wù)調(diào)度，未考慮到拓?fù)渲懈魅蝿?wù)計(jì)算開(kāi)銷(xiāo)的差異以及任務(wù)之間不同類(lèi)型的通信模式，在負(fù)載均衡和通信開(kāi)銷(xiāo)方面存在較大的優(yōu)化空間。針對(duì)這一問(wèn)題，提出一種Storm環(huán)境下基于權(quán)重的任務(wù)調(diào)度算法（TSAW-Storm）。該算法首先根據(jù)各任務(wù)的CPU資源占用情況以及任務(wù)間的數(shù)據(jù)流大小，分別確定拓?fù)涞狞c(diǎn)權(quán)和邊權(quán)；并利用最大化邊權(quán)增益的思想，逐步構(gòu)建起各工作節(jié)點(diǎn)中承載的任務(wù)集合，在保證集群負(fù)載均衡的同時(shí)，盡可能將邊權(quán)較大的節(jié)點(diǎn)間數(shù)據(jù)流轉(zhuǎn)化為節(jié)點(diǎn)內(nèi)數(shù)據(jù)流，從而降低網(wǎng)絡(luò)傳輸開(kāi)銷(xiāo)。實(shí)驗(yàn)結(jié)果表明，在包含有8個(gè)工作節(jié)點(diǎn)的WordCount基準(zhǔn)測(cè)試中，TSAW-Storm的系統(tǒng)延遲和節(jié)點(diǎn)間數(shù)據(jù)流大小相比Storm默認(rèn)調(diào)度算法分別降低了30.0%和32.9%，且各工作節(jié)點(diǎn)的CPU負(fù)載標(biāo)準(zhǔn)差僅為Storm默認(rèn)調(diào)度算法的25.8%；此外，在與在線調(diào)度算法的對(duì)比實(shí)驗(yàn)中，TSAW-Storm在系統(tǒng)延遲、節(jié)點(diǎn)間數(shù)據(jù)流大小和CPU負(fù)載標(biāo)準(zhǔn)差方面分別降低了7. 76%、11. 8%和5.93 %，且算法的執(zhí)行開(kāi)銷(xiāo)明顯降低，有效提高了Storm系統(tǒng)的運(yùn)行效率。