随着大数据、物联网技术的发展,市场上涌现了大量实时性要求较高的应用。该类应用要求数据被实时地收集、处理和分析,进而能够以亚秒级的延迟实时交付数据的处理结果。流计算正是为实时计算而生的一种新型计算范式。流式应用通常持续不间断运行,难免运行过程中会遇到各种故障,尤其是在大规模的分布式环境下。因此,流计算中的容错恢复一直是该领域的研究热点。传统面向流式应用的容错策略主要包括:主动备份、被动备份、上游备份以及检查点的卷回恢复。每一种容错手段都各有利弊。Flink流处理框架基于栅栏模型实现了一种轻量级的异步检查点,然而在使用过程中仍表现出一些不足之处有待优化改进。其一,Flink仅支持固定间隔的检查点。检查点间隔作为影响容错开销与故障恢复时间的重要参数,如果能根据流数据的动态变化从而进行相应调整,将能大大地提升系统的运行效率。其二,Flink仅支持基于检查点的容错机制。在面向高可靠要求的流应用时,单一的检查点恢复机制难以满足应用快速恢复的需求。为了解决上述两方面问题,本文分别提出了两种优化改进策略。一是检查点间隔优化模型。本文基于开环Jackson排队网络提出应用处理的延迟模型与检查点的故障恢复模型,并基于该模型提出检查点间隔的优化方法。实验结果表明,本文的性能模型可以较好地拟合Flink系统的实际运行效果,并能根据系统可靠性相关指标推荐优化的检查点间隔。二是面向关键任务的部分主动备份优化策略。本文从作业的拓扑图的角度,分别采用网络连通性分析与改进的PageRank算法对任务的关键度进行排序。并在关键路径分析的基础上,找出资源约束条件下的前N个关键任务进行主动备份,从而进一步提高了系统的可靠性。实验结果表明,本文提出的部分主动备份方法,可以在充分利用系统闲余资源的同时,确保关键任务的快速故障恢复,从而提高了应用的整体可靠性。