Spark是典型的大数据处理计算框架,如何合理租赁预留资源、按需资源是最小化总租赁成本的关键。本文从云服务中间商的角度出发,研究混合租赁方式的Spark应用调度问题,考虑应用的截止期约束,以最小化云服务中间商的总租赁成本为优化目标,该问题的主要挑战有:（1）Spark应用结构存在复杂的偏序关系,大量Stage拓扑序列产生不同调度结果,如何找到最优解或者较好解是典型的NP-hard问题;（2）预留资源比按需资源单位价格便宜很多,直观上预留资源使用越多总租赁成本应越低,但我们发现这并不是总成立。使用更多的按需资源虽然会增加按需租赁成本,但可减少应用的完工时间,这使得预留租赁成本降低进而降低总租赁成本。如何平衡预留租赁成本和按需租赁成本是一个难点。针对以上问题,本文提出一种混合云服务租赁方式的Spark实例调度算法,包括Spark应用初始化、Stage排序、任务调度、就绪Stage更新和解质量的提高五部分。Spark应用初始化进行Spark应用简化和Stage处理时间估计,提出三种Stage处理时间估计策略;在Stage排序阶段提出最短松弛时间优先、最短估计处理时间优先、最早开始时间优先和最大路径长度优先四种排序策略;任务调度阶段从资源池中为任务搜索可用资源,根据不同资源选择策略为任务选择虚拟机,若搜索完的可用资源集合为空,则根据不同资源租赁方法将任务调度到新租赁按需资源;就绪Stage更新阶段对已完成调度Stage的后继Stage开始时间和入度数量进行更新,并对后继Stage进行就绪与否的评估,将零入度Stage加入就绪Stage队列;提高解阶段通过增加按需资源策略和减少按需资源策略对初始解进行调整,进一步优化总租赁成本。为验证所提算法的性能,采用多因素方差分析技术对算法中的参数及规则进行校正,为本算法选择最佳的参数组合;将所提出算法与基准算法进行对比,实验结果表明,本文提出算法在不同截止期约束和不同Job数量的实例下性能均优于基准算法。