数据中心在云计算的发展过程中起着至关重要的作用。在当今的数据中心,集群计算以其高性能和低廉的计算价格,广泛应用于数据处理和分析领域。然而,现有的网络级优化与集群计算应用程序的性能需求不匹配。对于Hadoop和Spark等主流数据并行框架来说,网络通信是高度结构化的。它们通常实现一个数据并行计算模型,其中每组数据流在产生最终结果之前都需要经历一个连续的通信阶段。在每个通信阶段,并行流需要在一组主机之间交换数据。通常这样的通信阶段只有在所有的流完成之后才能完成。Coflow是针对这种全有或全无的特殊作业应用程序级语义提出的一种网络抽象。Coflow是通信阶段的一组相关流的集合。所有的流都已经完成才意味着Coflow完成。这种抽象缩短了应用程序级语义和网络级优化之间的差距。为了探索更好的基于Coflow的传输性能改进方案,有许多关键问题需要研究,最常见的问题是Coflow调度。Coflow调度问题的最常见目标是最小化平均Coflow的完成时间。本文依据当前相关研究工作中的不足,提出了网络通信优化的Coflow调度研究,本文目标在于最小化Coflow完成时间（Coflow Completion Time,CCT）,主要研究内容分为以下两部分:1.本文开发了一个双边Coflow调度框架Django。使用丢包率作为一个关键特征,建立预测模型来估计流传输过程中的最优并发连接数。本文选择支持向量机（Support Vector Machine,SVM）作为机器学习模型,使用C-SVC模型作为多类分类器。结果表明,该模型能够以97%的正确率估计队列限制。然后,本文提出了一系列双边的调度算法,其中发送方和接收方主机可以相互独立和异步的交互。将最佳并发连接数作为输入,接收方主机打开或关闭到发送方的连接,实现对Coflow的调度。真实环境实验和在NS-3上进行的大规模模拟实验表明,本文算法可以将平均CCT和尾部CCT分别低15%和40%。2.本文实现了一个在线的联合reducer布置和Coflow带宽调度框架,以使平均CCT最小。核心思想是首先通过reducer的布置和流量传输速率的控制来最小化单个Coflow的完成时间,然后按照最短剩余时间原则调度所有Coflow。因为这是NP难问题,本文提出了两个近似比为2的近似算法。真实环境实验和大规模模拟实验证明框架相比于最先进的技术可以将平均CCT减少64.98%。