近年来,随着计算机技术的快速发展,很多应用软件在使用中产生了海量数据。人们开始在数据中心部署诸如MapReduce的大数据并行计算系统来处理和分析这些数据,以此做科学决策。同时,Hadoop、Spark等基于MapReduce思想的并行计算系统的性能优化成为了研究热点。网络研究者优化MapReduce系统的作业完成时间采用的传统方法是基于流粒度的调度策略。后来,有的学者提出了基于Coflow抽象的调度策略,并证明了 Coflow抽象在满足特定条件时性能一定优于基于流粒度的调度。然而,我们发现过去研究者普遍过于重视系统的网络性能,忽略了主机槽位占用时间的对作业完成时间的影响,因此他们提出的调度策略无法得到更优的结果。本文提出的Macroflow抽象,能比较好的描述MapReduce系统中Reducer对主机槽位的占用情况。我们证明了最小化主机槽位占用时间和最小化Macroflow的平均完成时间等价,并且后者是一个NP困难问题。我们基于Macroflow抽象运用贪心思想提出了三种启发式调度策略,其中两种策略假定流大小能通过日志等渠道预先得知,另外一种策略能在流大小未知的场景使用。我们通过优先级离散化,使得三种策略只需要4至8个优先级就可以正常运行,符合商用网络设备支持的绝对优先级范围,因此三种策略可以部署到真实数据中心中。系统仿真和小规模实验床实验结果表明,基于Macroflow抽象的调度策略能同时大幅减少网络密集型和计算密集型MapReduce作业的完成时间。事实上,用户并不关心网络性能的细节,他们只关心作业能否尽快完成。本工作最重要的意义是,Macroflow抽象成为了填补应用程序和网络之间性能度量鸿沟的桥梁。