请说明 Spark Streaming 内部的任务调度机制，并给出优化调度性能的具体手段。

回答思路

1. 【回答框架 1】Spark Streaming 基于微批处理，将连续数据流切分为固定间隔的批次，每个批次对应一个 RDD，其任务调度复用 Spark Core 的 DAG 调度器与任务调度器。DAG 调度器将 RDD 依赖链划分为多个 Stage，每个 Stage 包含一组可并行执行的任务，任务调度器（FIFO 或 FAIR）负责将任务分发到 Executor 执行。
2. 【回答框架 2】调度性能优化可从并行度、批处理间隔、资源分配和序列化四方面入手。增大分区数可提升并行度，但需平衡任务调度开销；合理设置批处理间隔（如 1-2 秒）可减少调度延迟；确保 Executor 数量与核心数匹配任务需求，避免资源竞争；使用 Kryo 序列化减少数据传输和 GC 压力。
3. 【回答框架 3】针对调度瓶颈，可启用推测执行以应对慢任务，但需注意资源浪费；调整 spark.locality.wait 参数减少数据本地性等待；监控 Spark UI 的调度延迟和任务执行时间，定位热点 Stage 并优化其计算逻辑或数据倾斜。
4. 【回答框架 4】实际调优需结合集群规模和数据量，通过压测验证参数效果，避免盲目调整。
5. 【关键点 1】Spark Streaming 调度基于微批，复用 Spark Core 的 DAG 与任务调度器。
6. 【关键点 2】优化并行度、批处理间隔、资源分配和序列化可提升调度性能。
7. 【关键点 3】启用推测执行和调整数据本地性等待时间可减少调度延迟。
8. 【关键点 4】监控调度延迟和任务执行时间，针对性优化热点 Stage。