在飞速发展的互联网技术中,数据量的增长呈爆炸性的趋势。数据作为信息的载体,在信息化的发展过程中占有举足轻重的地位。海量数据的管理困难、高数据存储成本、低可靠性和低安全性等是现在社会面临的重大难题。更多的企业开始涉足于云计算领域,使用云计算进行数据的分布式计算和管理。云计算服务的优势在于其可靠性高、易于扩展、存储容量大及处理速度快等特点,所以关于云计算服务系统的研究已经成为了IT技术进一步发展的趋势。论文以提高云计算实现平台Hadoop中的数据处理速度为目标,深入地研究了MapReduce和HDFS内部运行机制。针对Hadoop运行环境的异构性,为了使Hadoop能够根据每个计算节点的运算能力进行合理的任务分配,提出了一种改良的自适应负载调节调度算法(SALS)。该算法将Hadoop调度算法和当前系统负载水平相结合,实现了自适应的调度算法,并改进了Hadoop原始的推测执行算法,新的算法使得影响系统响应时间的掉队者能得到更精确的判定,掉队者任务的命中率得到了很大程度上提高,从而更加有效的提高整个系统的响应能力。针对Hadoop中HDFS的内部数据下载效率较低和可能出现的负载不均衡的问题,提出一种分布式文件并行下载算法。该算法从文件整体下载效率和数据块的下载效率两方面出发,提出了相应的优化方法,并在此基础上引入P2P的多线程思想能够有效地提高系统的下载效率。在传统并行算法的基础之上,引入了一种新的速度预测函数。该函数利用平均历史下载速度和当前速度以实现对未来下载速度更精确的预测。实验证明,与Hadoop自身的下载机制相比较,该算法能明显改变系统的性能,以尽快的满足用户下载的需求。