MapReduce是一个被广泛采用的大数据分析计算框架,其基于分治的思想在一次性批处理的应用中具有相当大的灵活性和可扩展性。但是,MapReduce并不直接支持被广泛使用的迭代类型作业。对此,学术界从数据缓存和异步执行迭代等角度对MapReduce框架作出了一系列的改进。为了配合这些优化措施,研究人员也设计了对应的任务调度策略。但同时其动态性不足也引入了任务负载不均衡的问题。负载不均衡的根本原因在于无法事先得知任务和节点的特点以及任务量的分布,而迭代作业局部性的特点可以在之前迭代执行过程中获得这些信息。结合已有研究成果,对迭代作业特点深入分析,在迭代之间建立了数据反馈机制。每次迭代处理过程相同,之前迭代节点的执行速度可以衡量节点能力;迭代之间数据量分布具有相似性,可以在之前迭代中统计中间数据各个Key对应的任务量大小。通过收集之前迭代执行过程中的这些反馈信息,设计了一个基于反馈的任务调度器(FBS),不断调整之后的迭代任务划分,使得负载更均衡。Hadoop也存在着推测执行机制效果不理想的问题。经实验分析,其原因主要在于Hadoop不考虑任务和节点的特点,固定任务各阶段占总进度值比例,导致进度值估计不精确,从而误导后备任务的选择。对于迭代类型作业,每次迭代处理过程相同,任务各阶段占总进度值比例也类似。通过在之前迭代执行过程的反馈,收集数据并动态调整任务各阶段占总进度值的比例,改进了进度值统计的方式。实现了系统原型进行了实验评估。实验结果证明,相比已有研究,FBS能对迭代类型作业做到更好的负载均衡,并提升迭代作业的执行性能达60%;通过迭代作业的反馈机制,FBS能对任务的进度值做到更精确的统计。