可在MuleRun中通过五种方式实现多任务并行：一、启用Multirun模式，使用-py app.py -m及参数组合批量并发；二、配置hydra.yaml声明MULTIRUN模式；三、用Scatter-Gather动态分片处理大数据流；四、调用“一键快捷修复”清理阻塞资源；五、提升CPU/内存配额与最大并发数。
如果您希望在mulerun中同时执行多个任务，但当前仅能逐个触发运行，则可能是由于未启用多任务并行机制或配置方式不匹配。以下是实现批量处理与多任务并行运行的具体方法：
一、启用Multirun模式启动
Multirun模式是Hydra框架支持的原生批量执行机制，MuleRun底层集成该能力，可自动展开参数组合并并发执行独立任务实例。该方式适用于预定义参数集的批量场景，无需修改业务逻辑代码。
1、在浏览器中打开MuleRun控制台，进入“运行设置”页面。
2、定位到命令行启动配置区域，将默认启动参数由python app.py替换为python app.py -m或python app.py --multirun。
3、在参数字段中输入需批量展开的键值对，格式为task=fetch,parse,report dataset=prod,staging。
4、确认提交后，系统将自动生成2×3=6个独立任务实例，并在专属虚拟机内并行调度执行。
二、通过配置文件声明Multirun模式
当需长期固定使用批量运行策略时，可在用户专属配置文件中直接声明运行模式，避免每次手动输入命令行参数。此方式优先级低于命令行，但更利于环境一致性管理。
1、在MuleRun云端虚拟机的/config/hydra.yaml路径下，使用编辑器打开配置文件。
2、在文件末尾新增以下YAML结构：
hydra:
mode: MULTIRUN
3、保存文件并重启当前Bot实例。
4、此后所有任务触发均默认按Multirun模式解析参数，无需重复添加-m标志。
三、利用Scatter-Gather模式分片并行
对于单一大负载任务（如批量图像上传、日志解析），可借助Mule 4的Scatter-Gather组件进行运行时动态切分，将原始数据流拆解为多个子流并行处理，再聚合结果。该方式不依赖参数组合，适用于数据量驱动型任务。
1、在MuleRun可视化流程编排界面中，拖入Scatter-Gather模块至主流程。
2、在Scatter-Gather内部添加两个并行子流，分别配置SFTP读取与HTTP上传逻辑。
3、在Scatter-Gather前插入DataWeave脚本，使用chunked函数将原始payload按数量（如50个/批）切片。
4、执行后，系统将自动分配子任务至不同CPU核心并行处理，显著缩短整体耗时。
四、调用内置一键快捷修复工具重置并发上下文
若出现任务卡死、线程阻塞或并发数异常下降，可能因Runtime层资源状态异常导致。此时不应重启整机，而应使用MuleRun预置的轻量级运维工具快速恢复并发能力。
1、在MuleRun控制台右上角点击用户头像，选择“运维工具箱”。
2、在工具列表中找到“一键快捷修复”，点击展开高级选项。
3、勾选“清理滞留线程”与“重置并发计数器”两项。
4、点击执行后，系统将在10秒内释放全部阻塞资源并恢复预设并发上限。
五、配置弹性资源策略提升并行承载力
MuleRun为每位用户分配的云端虚拟机支持动态资源伸缩，可通过调整Runtime层资源配置，显式提升并行任务的最大并发数。该操作直接影响Multirun与Scatter-Gather的实际吞吐能力。
1、进入MuleRun控制台左侧导航栏，点击“资源管理”。
2、在“CPU与内存配额”区域，将当前设定从“2核4GB”上调至“4核8GB”。
3、在“最大并发任务数”字段中，将数值由默认的8修改为16。
4、点击保存后，系统将实时生效新并发策略，无需重启虚拟机。
