随着大数据技术的高速发展,数据价值越来越受到人们的重视。而在许多场合下,数据价值随着时间的推移而快速下降,所以实时的数据流处理在大数据技术中占据了举足轻重的地位。分布式流处理系统作为新兴的数据流实时处理工具在物联网、软件日志处理、社交网络等领域发挥了重要的作用。由于分布式流处理系统的飞速发展,流处理分组策略作为影响系统性能的重要因素之一,受到了越来越多的重视。流处理的分组策略的目标是在较小的开销下通过对分布式流处理系统的并行化处理进行优化,从而有效的减小系统的平均处理延迟和提高系统的吞吐量,提升系统的整体性能。但数据流分布的倾斜性、数据流分布随时间变化的特性、复杂系统的异构性等因素都对现阶段分组策略的研究提出了新的挑战。通过对流应用中下游算子维护状态的内存开销进行分析,本文首先提出了一种基于最小化内存开销的贪心分组算法。该算法使用低内存开销的统计方法获取数据流分布信息,并根据键值的频率进行分类,以减少下游算子维护状态的内存开销。基于键值频率的统计和键值拆分结果,本文通过贪心方法制定全局路由表以保持系统负载的均衡性。另一方面,已有的分组算法较少的考虑系统异构性和数据流分布变化对流分组策略研究的影响。因此,本文提出了一种基于时间感知的键值分组算法。时间感知即为对数据的处理时间和通信时间等进行周期性统计和分析。该算法通过轻量级的统计方法统计近期的数据流分布,并根据每个实例近期的处理状况的相关时间信息使用启发式方法选择当前最优的实例作为分组结果,同时使用时间感知服务器定期感知下游算子的相关时间信息从而实时对算法进行调整。实验表明,本文提出的基于最小化内存开销的贪心分组算法相比于已有的分组算法,在吞吐量上提高了9%,平均处理延迟降低了54%。基于时间感知的键值分组算法相较于已有的分组算法在吞吐量上提高了19%,平均处理延迟降低了59%。同时本文提出的两种分组算法在不同的应用场景下都具有较好的扩展性和稳定性。