目前的大型分布式文件系统需要存储PB规模甚至EB规模的数据,而提供对文件属性信息和全局命名空间管理的元数据服务对系统的性能有着至关重要的影响。使用多台元数据服务器(Metadata Server,MDS)的分布式元数据服务可以缓解单个服务器的负载,但同时也带来了巨大的挑战。因为在分布式场景下,很难同时保持元数据局部性和MDS之间负载平衡这两个互斥的特性。在这篇论文中,我们提出了两种创新的方案来解决分布式元数据管理问题:基于局部保留哈希(Locality Preserving Hashing,LPH)的AngleCut方案和使用机器学习方法构建哈希的DeepHash方案。AngleCut是一个特别设计的用于分割元数据命名空间树的哈希方案。AngleCut首先通过一个创新的局部保留哈希(LPH)函数将元数据节点映射到线性空间中,即一个类似于Chord的多重环上。该LPH函数能保持元数据名称空间树上的节点相对位置信息,因此能从本质上保证了元数据局部性。然后,本文还设计了一个创新性的基于历史信息的分配策略来均匀地分配元数据节点到不同MDS上,从而动态地调整不同MDS之间的负载。我们还在AngleCut中集成了缓存机制,来提升整个系统的元数据查询效率。DeepHash是一个基于机器学习的元数据管理方案,其核心是通过神经网络来构建局部保留哈希函数。DeepHash首先根据元数据树的结构将元数据节点映射到唯一的特征向量。然后,我们设计了两种损失函数,配对损失和三元损失,来帮助DeepHash模型学习元数据节点的相对位置关系。此外,本文还提出了另一种元数据分配算法来动态地调节MDS之间的负载。据我们所知,DeepHash是机器学习方法在分布式元数据管理问题中的首次应用。为了验证AngleCut和DeepHash方案在局部性和平衡性上的性能,本文在真实据集上进行了大量的实验。实验结果和理论分析都证明了AngleCut和DeepHash方案的优越性。