当前,以云计算模式的付费平台正在快速发展与完善,系统的计算能力和存储能力得到了很大提升。而伴随着大数据时代的到来,无论是金融业的处理规模还是学术界间交流的增加都对云计算平台的建设提上日程。如在电力巡检科学研究中,目前各国都采取配合无人机的方式来建立起一个完善的基于云计算的科学工作流平台,它可以快速、方便且准确的按需求完成既定目标。然而在科学工作流长期运行的过程中会不可避免地产生大量有用的中间数据,如何处理并降低周期上的费用成为科学家们研究的热点。基于这样的背景,本文在以下两个方面做出了工作:第一,提出了一种基于多目标的数据长期存储优化策略。由于科学工作流中的数据存在重复使用或相互分享的情况,系统需要选择部分关键性数据存储以备未来使用。但在长期存储过程中因中间数据量级过大,仅仅依托云计算平台海量的存储能力会导致高昂的存储费用。所以,本文将在确定存储节点以后,使用分层存储的策略以降低长周期下的存储费用。具体策略是将需要存储的节点数据按周期中使用频率分层,高频率放置高速存储中,普通数据普通存储,低频归档化。并针对用户的具体需求给出推荐性方案,与此同时注意产生的额外时延。实验结果表明,该策略可以很好地解决长期存储中因大量待存数据而导致的高费用问题,并且能保证用户的时延需求。第二,提出了一种关键节点动态确定与分配时延策略。该模型的建立既需要满足用户独立的需求也需要通过分析工作流节点之间的重要性。因为在长周期存储过程中会面对诸如价格参数变化而引起多次搜索的潜在费用,所以本文模型还需要做到动态衡量的目标,并能在快速与准确性之间折中取舍。实验结果可以验证该模型在周期上与精确算法相比,费用略有提升,但能将时间复杂度大幅度降低,可以很好地适应动态的科学工作流背景,并提升用户的满意度。综上,本文基于长期存储的科学工作流场景,着重解决长周期环境下高费用问题,通过分层存储的思路,保证用户时延需求的情况下,降低费用开销。再通过分析具体的科学工作流,动态且快速地寻找关键节点,按权值分配时延,最大化地降低整个基于云计算环境的长期存储工作流费用开销。