MapReduce是一种常用的大规模分布式计算范型。在其Shuffle阶段时,计算节点间需要相互交换大量中间结果,从而导致高额通信负载,且随着集群规模的扩大,通信瓶颈问题也会更加严重。近年来,研究者提出了编码MapReduce框架,通过引入计算冗余,并采用计算节点对中间值进行异或编码再多播的方式,从而能够大幅降低通信负载。但现有的编码MapReduce方法主要是针对中间值字节长度相同、网络带宽同构的场景进行优化,当将其用于中间值长度异构的应用场景或带宽异构的网络环境中时,其性能将受到严重影响。针对上述问题,本文围绕中间值长度异构与网络带宽异构,对编码MapReduce框架下的通信性能优化进行了深入研究,主要贡献如下:1)针对中间值字节长度异构下的编码MapReduce通信负载优化问题,首先提出了一种泛化的编码MapReduce框架,其中Reduce函数的分配扮演了重要角色,并在计算负载固定的前提下,基于Reduce函数分配与中间值长度对通信负载进行了理论刻画。在此基础上,提出了基于Reduce函数分配的组合优化问题以最小化通信负载。本文证明了该优化问题为NP难问题,进而提出了一种具有低时间复杂度的近似率为2的贪心算法。基于阿里云平台的实验结果以及仿真的实验结果均表明,所提的中间值字节长度感知的编码MapReduce方法可以显著减少通信负载,缩短总执行时间。2)在中间值字节长度异构的基础上,进一步针对带宽异构的网络场景,在泛化的编码MapReduce框架基础上,研究了如何基于计算节点带宽异构进行Reduce函数分配以缩短作业执行时间。对于固定的计算负载,本文根据Reduce函数分配、中间值长度以及节点带宽刻画出通信时间,通过分析得到最小化通信时间的理论性质,并在此基础上提出对应的组合优化问题,旨在以适当的Reduce函数分配来最大程度地缩短通信时间。之后证明了该优化问题是NP难的,进而提出一种有效的贪心算法。最后基于阿里云平台的实验结果以及仿真的实验结果均表明,所提的带宽异构感知的编码MapReduce方法可以显著减少通信时间,缩短总执行时间。