随着互联网的发展,大规模数据分析逐渐成为现代企业成功的关键。与此同时,随着云计算的出现,其高灵活性,资源按需使用以及随用随付费的模式吸引越来越多的企业将数据分析任务放到云上进行。在云计算时代,MapReduce是一种被广泛认可的重要的大规模数据分析工具。它提供了一个简单并且具有高容错性的框架,使用户能够在不同的机器上并行处理数据密集型任务。本文介绍了MapReduce及其不同的实现,分析了MapReduce的内部工作流程,性能指标以及影响其性能的因素,详细介绍了一种基于I/O成本的性能模型。本文还介绍了MapReduce工作流的概念以及为什么需要MapReduce工作流。列举了常见的MapReduce工作流引擎,并对其行了对比。本文对开源工作流引擎Crunch的设计思路、框架结构、工作原理以及存在的问题进行了阐述并对其不足提出了一种基于I/O成本模型的优化算法。为了验证本文所提出的优化算法的有效性及其优化效果,实现了一个协同过滤推荐算法,并利用不同的数据集分别在标准的Crunch系统和加入本文所提出的优化算法后的Crunch系统上进行实验。实验结果表明：加入优化算法后的Crunch系统比标准的Crunch系统具有更高的执行效率。