随着云计算的快速发展,云资源的虚拟技术以及动态扩展性等特性吸引了大量应用程序在云环境中部署执行。现代科学研究通常需要对多领域、多学科的海量数据进行分析和计算。科学工作流由于计算密集性和数据密集性的特点往往被部署在云环境中执行。工作流调度问题在多处理器系统和网格系统中已经进行了深入的研究,但是在云环境中如何高效调度工作流仍然存在一定的挑战性。对现有的调度算法进行分类和对比,可以发现成本(资源占用和时间消耗)预算占据大部分,而关于安全容错,能源消耗,负载平衡等问题的解决策略研究较少,为了生成有效的资源调度方案,应该考虑这些目标。针对现有调度算法的不足,本文从科学工作流负载平衡角度入手,研究了导致负载不平衡的各项因素。针对负载不平衡问题,从运行时间和依赖关系两个方面进行研究,提出了两种考虑负载平衡的容错聚类算法。本文的研究内容具体如下:(1)科学工作流执行过程中,多个任务组成的聚类作业相对单任务面临更高的故障风险。容错聚类算法可以有效进行故障恢复,但仍面临着负载不平衡问题,结合水平运行时间平衡和失败任务重试技术提出了一种运行时间平衡容错聚类算法(Runtime Balanced Fault-tolerant clustering algorithm,RBF)在解决负载不平衡问题的同时可以进行故障恢复。(2)研究负载不平衡问题时发现,水平运行时间聚类可能会导致或加重科学工作流依赖关系不平衡问题。为了定量的描述依赖关系不平衡问题,引入了不平衡问题衡量指标:影响因子方差(Impact Factor Variance,IFV)和距离方差(Distance Variance,DV)。根据各个任务之间影响因子的比率可以确定DAG(Directed Acyclic Graph)模型中的关键任务,即某一任务与较多的任务之间存在依赖关系,当该任务运行失败时,会对与该任务有依赖关系的所有任务造成影响。因此,提出了一种关键任务复制算法,以增强科学工作流可靠性。(3)针对科学工作流依赖关系不平衡问题,结合关键任务复制算法,本文提出了一种依赖关系平衡容错聚类算法(Dependency Balance Fault-tolerant Clustering Algorithm,DBF)。将影响因子方差(IFV)相近的任务进行聚类,可以解决依赖不平衡问题,通过关键任务复制技术,可以有效恢复运行失败的任务,减少故障带来的损失。