Cloudera Impala是一个开源的大数据实时查询系统。Impala使用HDFS作为底层存储管理器。HDFS会对文件进行分块,并为每个块创建多个副本。数据多副本可提高系统的容错性能,并能提供负载均衡。然而,数据多副本条件下的查询处理并行调度将变得更加复杂。Impala的并行调度包括两步：副本选择和执行节点选择。在副本选择的过程中,Impala未考虑通信代价和集群负载,可能延长响应时间。针对现有的查询处理并行调度方法存在未考虑数据多副本的问题,本文提出了基于副本选择的大数据实时查询处理并行调度方法。该方法将所有查询分为单表查询和多表查询两类：若是单表查询,则首先根据数据分布构造流网络,然后使用SRPushRelabelBinary算法选择副本,最后选择执行节点；若是多表查询,则结合代价模型搜索近似最优调度策略。本文定义查询处理的代价为从查询开始处理时刻到预估所有连接操作完成时刻的时间间隔。其包括读磁盘操作的执行时间、选择操作的执行时间、网络传输的时间和连接操作的执行时间。该代价模型综合考虑通信的代价、并行执行和集群的负载。本文利用Maxdiff(V, A)直方图估计中间结果,以提高代价模型的准确度。将本文提出的查询处理并行调度方法集成到Impala2.0系统,并在TPC-DS数据集上进行了实验,结果表明,集成后的Impala系统的查询响应时间比原Impala系统减少了10%～30%。