为了处理大量的实时数据流，现有的分布式流处理系统遵循数据并行的原理，并利用不同的数据分区策略。其中一对多分区策略(例如，ApacheStorm中的广播分组)在各种大数据应用程序中起着至关重要的作用。对于一对多数据分区，上游处理实例将生成的元组发送到大量的下游并行处理实例。现有的分布式流处理系统通常基于面向实例的通信来实现一对多数据分区，其中上游实例将数据元组分别传输到不同的下游实例。但是，多个下游目标实例通常在同一台物理机上并行运行，以充分利用服务器多核计算资源。因此，现有的分布式流处理系统多次将包含相同数据项的元组发送到同一台物理机器，从而带来了不必要的多次序列化和服务器间网络通信的开销。通过实验表明，这种机制会由于高并行度级别的CPU过载而导致严重的性能瓶颈。
　　为了解决该问题，设计并实现了Whale系统，这是一种新颖的利用RDMA(Remote Direct Memory Access)辅助的分布式流处理系统。Whale系统中两个主要方面的设计提高了系统效率。首先，Whale系统提出了一种新颖的RDMA-assisted流多播方案，以减轻分布式流处理系统中上游实例的CPU工作负载。通过探索一种具有轻量级切换机制的自我调节Non-blocking的多播树结构，Whale系统可以很好地应对高度动态的数据流。其次，通过使用面向工作进程的通信机制来代替面向实例的通信机制，系统重新设计了现有的分布式流处理系统中的通信机制。面向工作进程的通信机制利用Batch-and-dispatch的通信样式，上游实例可以避免与在同一个工作进程上的多个下游实例进行通信。因此，它极大地节省了不必要的通信和序列化成本。Whale系统被实现于ApacheStorm平台之上，并采用实际应用系统的大规模数据集进行了全面的测试。结果表明，与现有设计相比，Whale的系统吞吐量提高了39倍，处理延迟减少了96％。