网络技术的发展和社会经济的快速增长为数据中心建设提供了巨大的推动力,数据中心所提供应用服务也在不断增加。应用服务所产生的海量数据带给数据中心巨大的压力,因此许多应用采用分布式存储方案来进行数据的存储。这种场景下,如何保障应用的传输需求,如何提升网络性能都引起了相关研究人员的广泛关注。数据中心中的多数集群应用都以协同流（Coflow）为单位进行调度,Coflow被定义为并行计算所引发的两组服务器之间的具有相关关系的一组数据流的集合。传统的以单个流为流量模型进行调度的策略着眼于满足单个流的传输需求从而达到优化网络性能的目的,然而单个流模型不适应于Coflow调度。数据中心内的流量调度还存在不少问题和瓶颈,例如:在截止时间内任务的传输不能得到保障、任务的完成时间过长等。本文在现有的流量调度研究成果基础上研究Coflow调度机制,具体研究内容和贡献如下:（1）为了解决数据中心中时间敏感Coflow的传输需求,本文设计了基于信息感知的集中式的高优先级先满足的Coflow调度机制（HPSF）。本文首先分析了并行计算中数据流的产生过程,引入了Coflow这一类型数据流模型。本文在信息已知条件下对Coflow产生过程进行建模,设计了节点放置算法为Coflow选择合适的计算节点进行任务放置,接着为Coflow分配优先级。HPSF调度机制按照优先级顺序满足Coflow的传输速率,使尽可能多的Coflow能够在截止时间内完成传输。保障了在资源充足的情况下,Coflow只占用最少的带宽资源,减少数据流之间对带宽资源的争夺;在资源匮乏的情况下,保障高优先级的Coflow的传输需求。本文仿真结果表明,与经典的Varys和DCS调度机制相比,本文的HPSF机制在资源充足和资源匮乏情况下将能在时限范围内Coflow的完成个数提升到了83%和79%。（2）为了解决集群计算框架下的流调度问题,基于Coflow的调度策略成为研究热点。Coflow是同一并行计算任务的两个不同阶段之间的数据流的集合。在先验信息未知的情况下,Coflow调度依赖于发送部分的数据流信息来推断同流的数据大小,并为Coflow分配调度序列,容易造成拥塞。为了解决数据中心信息未知情况下的Coflow优先级队列中的阻塞问题,本文设计了基于信息无感知的按照端口数分类的Coflow调度机制（CAPN）。本文首先分析了Coflow的完成时间与Coflow数据量以及端口数之间的关系,然后提出了分类算法利用端口数阈值代替数据量阈值对Coflow进行优先级分类。然后针对不同类别的Coflow的长度、宽度等特征对Coflow进行优先级调整,从而大大减少了Coflow的平均完成时间。仿真结果表明,与经典的Aalo和MCS调度机制相比,我们的CAPN机制可以分别减少31.32%和25.72%的Coflow完成时间。