云计算环境下带软截止期约束的随机独立任务调度广泛存在于Mesos、Openstack、Kubernetes等架构或应用场景。保证这类任务的服务质量通常是使其在截止期之前完成,从而最小化时延。在异构云环境下,如何合理地调度随机到达的一组任务以最小化这组任务的总时延是一个有挑战性的NP-hard问题。考虑总时延最小的随机独立任务异构云资源调度问题,本文提出两阶段带反馈机制的调度框架TSSF（Two-Stage Scheduling Framework with Feedback）,其包括中心和节点两个调度层。中心调度层包括中心调度器和重调度器两个组件。中心调度器均匀预分配任务到集群的各个虚拟机以提高集群的运行效率;重调度器通过迁移任务以重新平衡各虚拟机的工作负载,从而减小任务的等待时间。节点调度层负责节点任务的执行顺序,采用紧急任务优先执行的策略,以减小任务的总时延。中心调度层和节点调度层有效协同优化最小化总时延。面向中心调度器提出基于处理速率的编号次序分配算法和最小资源利用率方差算法,同时在中心调度器中实现了随机分配算法;面向节点调度器提出基于工作量的动态优先级算法、基于截止期的动态优先级算法和基于松弛度的动态优先级算法,同时在节点调度器中实现了先来先服务算法;面向重调度器提出均衡任务数的重调度算法和均衡工作量的重调度算法。TSSF调度框架具有松耦合分层结构和反馈机制,能够有效平衡集群各个虚拟机的工作负载,保证资源的高利用率和集群的高执行效率。本文的实验环境为Cloudsim仿真平台,并通过分析google trace数据集来模拟配置集群规模和任务参数。实验结果表明:面向中心调度器的最小资源利用率方差算法性能最好;面向节点调度器的基于松弛度的动态优先级算法性能最好;面向重调度器的均衡任务数的重调度算法性能最好。同时本文还将TSSF与已有最小链路计数器调度算法和基于资源预测的自动扩展调度算法进行对比实验,结果表明TSSF调度框架在最小化任务总时延方面有明显的优势。