飞速发展的互联网带来了大量的网络资源的闲置以及不合理利用。这就对网格计算、云计算等技术的任务调度算法提出了更高的要求。与此同时,此种计算平台通过任务调度在为我们带来种种好处的同时也带来了潜在的威胁,即对任务调度安全上的威胁。如何通过任务调度算法实现资源和任务的最优匹配并且在调度的各个环节保证传递数据的安全性,从而通过闲置网络资源为用户提供更加合理、高效和安全的服务成为了现如今计算平台提供者研究的关键问题。本文受到虚拟计算平台(iVCE)中提到的按需聚合的核心思想启发,想到从任务调度的任务一端着手,寻找达到资源和任务更优匹配的方法。本文首先对现有的任务调度策略进行了研究,任务调度算法中对于任务的挖掘和研究相比于资源可以说非常少。在当今互联网时代,各种新系统、新应用、新任务五花八门层出不穷,因此对任务潜在特性的研究十分有必要。本文本着按需聚合的思想试图找寻分析“需”的方法,通过对机器学习的研究发现它的重要分支———聚类算法有着挖掘数据潜在特性的能力。在对各种聚类算法尽心调研学习后,选择模糊c-均值聚类(FCM)算法作为本文对任务端研究的基础,并通过对初始样本的预处理降低了初始聚类中心对模糊c-均值聚类算法聚类正确率稳定性的影响。之后根据任务的聚类结果在考虑资源和任务匹配程度的前提下设计了新的基于机器学习任务聚类的任务调度算法。并通过仿真实验验证了本文提出的基于挖掘任务内在特性从而提高任务资源匹配程度的处理,在保持较高的资源利用率的前提下有效的降低了任务平均执行时间并提高了任务执行成功率。此算法的确在一定程度上优化了任务和资源的匹配合理性。随着网络的发展带来的另一大问题——安全问题。同样威胁着任务调度。因为任务调度活动在各个环节传递的信息带有用户的隐私并直接关乎系统的安全,因此在任务调度的参数传递上进行加密处理以保证各方面的安全性是必要之举。本文研究了密码学包括非对称加密和对称加密的相关技术,分别总结了其优缺点。本着两者优缺点互补的思想选择了AES和RSA结合的加解密方法。并充分结合任务调度系统的通信内容和架构的特点量身定制了属于任务调度系统的密钥生成和保存方案。最后设计和实现了一个任务调度系统,并着重讲解了任务调度系统的各个模块的设计思想和包括接口、数据库表等的实现细节。并对该系统进行了包括任务调度和通信加密两个方面的测试。测试结果表明本系统在运行稳定性和调度任务的总体成功率上都有一定的优势。