随着大数据时代的到来,诸多行业都提出了众多大数据应用需求。其中,有很多的大数据应用需求相对简单、功能类似,通常可表达为一系列可复用大数据计算单元的组合。针对这种情况,具有较好灵活性和简便性的服务组合技术被应用到具有流程化、功能可复用特点的大数据应用开发工作中。这种思路下,大数据应用可以被表达为以大数据处理相关服务为核心构成的服务组合模型,并通过服务组合引擎对模型的解释执行来实现应用功能。服务组合引擎就成为服务组合技术在大数据领域应用的一个关键。然而,传统的服务组合引擎往往是局限于集中式或准分布式的方式,难以适应当前以分布式为主的大数据技术环境要求,特别是在服务组合中涉及的大规模数据流执行控制和优化调度方面需要特定的支持,也缺乏与Hadoop等典型大数据技术环境的集成。为此,针对上述问题,本文围绕面向大数据应用的分布式服务组合引擎展开了如下主要工作:1.针对大数据服务组合应用执行中的数据流执行控制和大数据环境集成问题,设计了分布式执行环境下的服务组合引擎架构。首先,在模型层面围绕数据流执行控制对现有大数据服务组合模型进行了扩展并给出了其详细定义;其次,在分析分布式环境下大数据服务组合模型的执行需求和关键问题基础上,设计了考虑大数据执行环境及其处理代价的分布式服务组合引擎体系架构和核心模块。2.针对大数据服务组合应用执行中的数据流优化调度问题,设计并实现了基于数据感知的服务组合执行调度算法（Data-aware Service Scheduling Algorithm简称DSSA）。该算法首先将大数据应用任务实例根据业务和数据特征划分为四组,分别为有业务约束且数据密集型、无业务约束且数据密集型、有业务约束且数据非密集型、无业务约束且数据非密集型,并基于改进粒子群算法实现对每组中的任务实例与分布的计算资源的动态匹配,以减少数据在网络中的传输及缩短大数据应用总体执行时间。通过基于Workflow Sim的相关仿真实验表明,算法相对于相关的调度算法具有更好的性能。3.在上述研究内容基础上,基于开源业务流程引擎Flowable设计并实现了一个面向大数据应用的分布式服务组合引擎。首先,设计了分布式服务组合引擎核心机制与流程;接着给出了执行引擎核心数据库定义;最后对Flowable引擎进行了分布式扩展和MR任务、Flink任务等大数据特定任务的实现。此外,还结合高速公路收费大数据统计分析应用案例对分布式服务组合引擎进行了验证,表明了其应用效果。