当前,分布式流处理系统中的处理逻辑变得更加复杂,数据流图规模变大,图拓扑结构较为复杂。现有的流处理资源管理器中的启发式调度规则不够灵活,调度效果较差,影响了流处理系统性能,现有的节点调度算法难以在大规模流处理任务上取得较好的调度效果。本课题中,针对如何对流处理应用中的大规模数据流图节点进行资源调度,提高分布式流处理系统处理效率的问题,采用了深度强化学习与多级图划分技术,从两个方面进行了研究,设计并实现了基于深度强化学习的大规模流处理任务资源调度方法。提出了基于强化学习的流处理资源调度方法。构造了基于图嵌入的数据流图编码器模型与图感知的设备分配解码器模型,并共同组成图感知的编码器解码器模型,通过强化学习方法训练该模型,为流处理系统数据流图中节点进行计算设备资源分配。提出了基于多级图划分思想的大规模流处理任务资源调度方法。该方法中通过图粗化方法,减少数据流图的节点规模,将问题转换为在简单数据流图上的调度策略学习问题,降低问题处理难度,限制问题求解空间,并将在小问题规模上得到的解映射回原问题的解。本研究中提出了两种的流处理任务资源调度方法,在大规模流处理任务数据集中取得了较好的调度效果,为大规模流处理任务资源调度问题提供了可行的处理方法,同时证明了图的粗化过程对于优化大规模流处理任务资源调度效果的有效性。