本文针对大数据环境中流式计算应用所呈现出的诸多鲜明特征进行了系统化的分析,并从系统架构的角度,给出了大数据流式计算系统容错机制的原则性策略。结合当前比较典型的Heron流式计算平台,重点研究了Heron流式计算平台容错机制。本文主要从Acker组件线程分配机制和拓扑参数更新机制两方面对Heron平台容错机制进行改进。首先,Heron现有的元组跟踪监控机制会将Acker组件线程数量设为定值,该策略无法适应元组数量的动态变化,元组数量过少时会造成因Acker组件线程过多导致的线程浪费;元组数量过多时会造成因Acker组件线程负荷过大导致的通信消息高延迟。为了合理利用内存,本文提出了一种从节能角度出发的元组跟踪策略,将元组通过散列函数映射到一个散列表中,按照散列表的占用情况动态调整Acker组件线程的数量,使Acker组件线程数量与当前拓扑中数据流的大小相适应;其次,Heron现有的拓扑参数更新机制需要编程人员根据经验选择集群的元组超时重传时间,这种策略具有一定的风险和随机性,可能会导致恢复开销较大的问题,通过对Heron拓扑属性的分析,提出了拓扑动态重传策略,拓扑动态重传策略由元组标记策略和元组自适应重传策略两部分组成。元组标记策略通过重构根元组ID的方法将时间标记加入根元组ID中,提供了一个低能耗、低延迟的元组时间监控方法;元组自适应重传策略通过收集根元组时间样本计算适应当前拓扑的超时重传时间,并更新到拓扑配置中,降低集群组件过载的概率。本文针对基于负载均衡的元组跟踪策略共设计了三组对照实验,分别验证该策略对吞吐量的影响、内存开销和集群负载。实验结果表明,基于负载均衡的元组跟踪策略与默认跟踪策略相比,线程内存开销前者比后者降低19%,集群负载均衡方面前者比后者跟踪元组数量稳定,线程过载几率大大降低。本文针对拓扑动态重传策略也设计了三组对照实验,实验主要测试算法在正常情况和极端情况的性能优化以及在不同拓扑中的性能优化,在使用拓扑动态重传策略时,集群的性能和吞吐量都有所提高,其中Sentence Word Count拓扑性能提高最为明显。拓扑动态重传策略与默认重传策略相比,集群的元组失败率和CPU占用率在不同情况下平均降低了16%和0.6 GHz,集群吞吐量平均提高了13%。因此,拓扑动态重传策略在增加少量时间开销的基础上,能够有效地提高集群的性能。