随着时间的推移,森林资源数据的规模越来越庞大,类型也越繁杂多样,对其信息的处理越来越困难,加上用户对数据处理作业的不同需求,传统的单一的计算模式已经无法适应海量的数据操作。因此,基于大规模计算机集群的云计算成为未来数据处理性能提升的主要途径,对云计算关键技术的研究具有较强的实际意义。Hadoop以其可靠高效的并行处理能力成为业内应用最广泛的开源云计算平台,成功实现了分布式文件系统HDFS和并行计算模型MapReduce。其中MapReduce作为云计算关键技术之一,不仅是一个分布式编程模型,还是优秀的任务调度模型。由于作业调度技术直接关系到云计算平台的资源利用率和整体性能,因此成为最关键的讨论内容之一。本文分析了MapReduce编程模型的实现流程和作业调度原理,重点阐述了现有的作业调度算法的算法思想和具体实现。这些算法各有优劣,针对现有算法鲜有考虑用户对时间期限和最高预算双重约束的问题,面对动态变化的云计算环境,提出一种改进的调度算法DBScheduler (Deadline and Budget Scheduler)。该算法利用用户对时间和预算的期望计算作业权值,在满足用户需求的情况下,为作业分配最小资源槽数,最大化集群的作业量,并通过对作业权值和最小分配资源槽数的动态调节来控制集群对资源的分配。为验证算法的有效性,在Hadoop平台上进行实验验证该算法和FIFO算法的性能差异。结果表明改进的算法具有更好的作业响应时间,并且在满足用户对时间期限和最高预算的需求基础上,最大化云计算集群中运行的作业数,达到用户需求的公平性。