当今社会早已进入数字化时代,每天都会产生海量的数据,如何处理大数据对于现有的计算机来说是一个严重的挑战。由于海量的数据量不断交由计算机进行处理,系统很难及时响应。不论是微博、推特的实时热点数据检测,还是华尔街、纳斯达克的股票交易等这些应用场景都亟需低延迟的实时流处理计算系统的支持。现有的实时流处理系统有Storm、Heron、Flink等。这些系统普遍采用基于轮询的任务调度策略,该策略没有考虑到通信时延,大多数情况下都会增加系统时延。在考虑通信时延时,调度系统将互相通信的任务实例放置在一个节点。当数据源数据量较大时,这一方法存在使部分节点负载过重增加计算时延的问题。系统时延由通信时延和计算时延组成,如何综合考虑这两种时延是一个需要解决的问题。为了解决该问题,提出一个两阶段方案。第一阶段是初始化阶段,根据用户提交的拓扑提出考虑数据源数据量较少的静态调度,并且为第二阶段提供调度集。第二阶段系统开始运行,提出基于强化学习的动态调度,该方法在面对数据源动态变化时,能够自适应动态调整调度策略。实验结果表明,两阶段方案可以在面对数据源动态变化的情况下,处理大规模流数据时保证时延尽可能低。在数据源稳定和动态变化的情况下,相比Storm的任务调度程序,平均元组处理时间分别降低41.2%和31.9%。