数据立方(Data Cube)是一种有效支持OLAP的多维数据计算模型。它通过预先计算数据表中各属性间所有组合对应的GroupBy结果并将其存储起来，以缩短系统的响应时间从而提高查询效率。随着数据量的急剧增长，分布式计算(如MapReduce)的使用日益广泛，将数据立方计算与分布式结合是必然的趋势。对于代数度量，如SUM等，简单地采用MapReduce框架即可高效地完成数据立方的计算。但对于整体性度量，如DISTINCT等，若与MapReduce简单地结合，则会出现负载不均衡、中间数据过多等问题。当前最好的分布式数据立方计算算法MR-Cube，通过数据划分、合并计算的方法减缓上述问题。但是该算法对数据划分不够精准，会导致一些不必要的数据划分，加重之后的合并操作。而对于合并计算，该算法仅提出了一些规则，而无简单且有效的合并方法，并且进行合并计算时使用BUC算法亦未充分利用MapReduce框架的特性。为了更好地解决负载不均衡、中间数据过多的问题，本论文借鉴TeraSort与PipeSort，提出TeraSortPipeSort-Cube算法（以下简称TSP-Cube算法）。TSP-Cube借鉴TeraSort随机抽样的思想，根据数据出现的频率对数据进行划分，不仅可以有效避免不必要的划分，并且适用于各种分布类型的数据集，从而有效解决负载不均衡的问题。同时TSP-Cube采用能充分利用MapReduce框架特性的PipeSort替代MR-Cube中的BUC进行合并计算，并且针对层次型的数据集，根据其属性特征以及PipeSort的特性，采用更简单有效且均匀的合并计算方案，从而解决中间数据过多的问题。论文通过实验证明，无论在均匀分布或是倾斜分布下，TSP-Cube在整体性度量函数中都有更好的性能，比已有的分布式算法更通用。此外，实验还对多种算法在代数度量下的性能进行了比较，从而得出不同类型的度量应采用的方法。