数据量激增带来的存储需求不断提高,企业通过建立分层存储架构来优化存储空间。为了提高分层存储系统中的空间利用率,企业将数据分为高频访问的热数据与不常访问冷数据,并将数据访问特征与存储设备性能相匹配,以避免冷数据驻留于高性能存储层造成的存储污染。而冷热数据的识别精度会直接影响到分层存储系统的数据存取效率。因此,开展面向冷热数据的存储机制研究具有重要意义。对冷热数据的研究起源于计算机高速缓存的分级设计,缓存替换中的经典算法大多是基于数据的访问时间、访问频率等数据的单一特征来决定数据是否需要被换出。这些算法对数据访问特征的考虑都具有一定的局限性,且无法很好的适应数据访问模式的变化。论文针对以上传统缓存替换策略的不足,进行深入分析,提出了基于数据多维度特征的冷热数据判定方法,并基于该方法进一步设计了冷热数据的存储策略。针对传统策略的局限性问题,论文基于数据的访问时间、访问频率、数据关联性三个方面的特征,对数据的温度进行量化,依据此温度对数据未来的访问模式进行估计,实现对冷热数据的判定。针对数据存储无法适应数据访问模式变化的问题,论文提出了基于数据温度的数据迁移策略,根据热数据库中数据温度分布情况来动态调整该库的存储阈值,将超过阈值的数据迁移至冷数据库以完成冷热数据的分离存储。最后,论文基于Redis与HBase数据库对所设计的冷热数据存储策略进行了原型实现,并完成了对冷热数据判定策略的精度测试与整体存储策略的功能、性能测试。测试结果验证了论文所提出策略较于LFU与LRU算法有更好的识别精度,保证了嵌入冷热数据迁移策略后的Redis数据库的读写可用性,且针对多种数据访问模式其读写性能均有所提升,达到了预期目标。