随着时间推移车联网系统中数据的规模越来越大,对作业处理的难度也越来越高,传统的数据处理模式已经无法适应海量数据的操作。因此基于云计算的分布式计算模型在车联网系统中得到了广泛的应用。Hadoop是当前较为优秀的开源分布式云计算平台,Hadoop2.0是新一代的Hadoop平台,其在Hadoop1.0的基础上增加了资源管理框架YARN。而作业调度器是YARN的核心组件,直接关系到整个云计算平台的计算性能和资源利用。车联网系统以Hadoop2.0平台为基础进行构建。系统中的作业为内存密集型,且对实时性有着较高的要求。然而当前对Hadoop实时作业调度的研究集中于Hadoop 1.0框架,并且在满足作业实时性的同时没有考虑系统资源使用效率。本文在对YARN和当前调度器研究的基础上,结合车联网系统中作业的特点,提出了内存感知实时作业调度器。该调度器中主要设计了资源分配中心、双层抢占策略和最小资源评估模型。资源分配中心为了同时满足动态资源模型和内存密集型作业的特性,选择内存来量化集群中的资源,并在作业初始化后对作业进行可调度性分析和资源分配。双层抢占策略通过Surplus-RBTree数据结构来选择抢占的作业,根据任务的执行进度选择抢占的任务。最小资源评估模型将任务执行时间推测模型与拉格朗日乘数法相结合,计算出保证作业在截止期前完成需要的最小资源量,从而确保了作业的实时性。本文采用理论分析和模拟实验相结合的方法,在Hadoop集群中模拟车联网系统,并使用典型的内存密集型作业PiEstimator来模拟车联网中的作业,进而验证算法的有效性。通过对实验数据的分析,验证了该算法在Hadoop 2.0中能够满足车联网作业的实时性要求,同时也表明了算法中抢占策略和资源分配中心能有效的提高资源的使用效率,并能够平衡节点间资源的分配。