1、隨著時間推移車聯(lián)網(wǎng)系統(tǒng)中數(shù)據(jù)的規(guī)模越來越大，對作業(yè)處理的難度也越來越高，傳統(tǒng)的數(shù)據(jù)處理模式已經(jīng)無法適應(yīng)海量數(shù)據(jù)的操作。因此基于云計算的分布式計算模型在車聯(lián)網(wǎng)系統(tǒng)中得到了廣泛的應(yīng)用。Hadoop是當(dāng)前較為優(yōu)秀的開源分布式云計算平臺，Hadoop2.0是新一代的Hadoop平臺，其在Hadoop1.0的基礎(chǔ)上增加了資源管理框架YARN。而作業(yè)調(diào)度器是YARN的核心組件，直接關(guān)系到整個云計算平臺的計算性能和資源利用。
　　車聯(lián)網(wǎng)系統(tǒng)以H

2、adoop2.0平臺為基礎(chǔ)進行構(gòu)建。系統(tǒng)中的作業(yè)為內(nèi)存密集型，且對實時性有著較高的要求。然而當(dāng)前對Hadoop實時作業(yè)調(diào)度的研究集中于Hadoop1.0框架，并且在滿足作業(yè)實時性的同時沒有考慮系統(tǒng)資源使用效率。本文在對YARN和當(dāng)前調(diào)度器研究的基礎(chǔ)上，結(jié)合車聯(lián)網(wǎng)系統(tǒng)中作業(yè)的特點,提出了內(nèi)存感知實時作業(yè)調(diào)度器。該調(diào)度器中主要設(shè)計了資源分配中心、雙層搶占策略和最小資源評估模型。資源分配中心為了同時滿足動態(tài)資源模型和內(nèi)存密集型作業(yè)的特性，選擇

3、內(nèi)存來量化集群中的資源，并在作業(yè)初始化后對作業(yè)進行可調(diào)度性分析和資源分配。雙層搶占策略通過Surplus-RBTree數(shù)據(jù)結(jié)構(gòu)來選擇搶占的作業(yè)，根據(jù)任務(wù)的執(zhí)行進度選擇搶占的任務(wù)。最小資源評估模型將任務(wù)執(zhí)行時間推測模型與拉格朗日乘數(shù)法相結(jié)合，計算出保證作業(yè)在截止期前完成需要的最小資源量，從而確保了作業(yè)的實時性。
　　本文采用理論分析和模擬實驗相結(jié)合的方法，在Hadoop集群中模擬車聯(lián)網(wǎng)系統(tǒng)，并使用典型的內(nèi)存密集型作業(yè)PiEstima