随着边缘计算与云计算技术的迅速发展,应用程序产生的数据种类不断增加。相关报告指出,2022年公有云服务将增长22%并带来更多异构类型的数据。异构类型数据对存储系统性能提出了更高要求的同时,需要存储系统提供差异化服务。因此,相关研究提出了综合利用不同存储介质特性的分层式存储系统,以处理异构类型数据在访问模式、大小、生命周期等特性方面的差异。然而,在应用负载差异化更加明显的今天,即使是分层式存储中的单一层级,也需要处理不同类型的数据。同时,分层式存储系统自身的复杂性更加剧了存储系统优化问题的难度。本文专注于面向异构类型数据的多层级存储系统优化相关研究。面对多层级存储系统在异构类型数据下的优化问题,需要明确每个单独的存储层级所处理数据的特点,并针对各层级硬件软件特点进行专门的存储系统优化。根据多层级存储系统软硬件特点与异构类型数据需求,本工作将整体系统的优化问题切分成应用层、外存层、片上存储层三个方面的问题并开展了相关研究,具体工作如下:（1）应用层访存行为预测方法研究。目前针对应用数据热度的分析与利用,旨在基于历史访问记录对应用数据进行分类。然而,此类方法不适应访问模式快速变化的应用。针对该问题,本工作提出基于机器学习技术的应用访存行为预测方法。本工作分析传统机器学习方法特性,并比对各机器学习方法在访问模式识别上的准确率与开销。在选择模型的基础上,本工作通过基于应用特性的进一步模型调整,设计高准确率的应用访存行为预测方法。（2）外存层混合存储数据分配策略研究。现有针对外存层混合存储的相关研究,主要集中在统一地址管理、数据一致性、软件栈优化等方面,不能充分适应多样的应用数据需求,造成显著的存储访问性能下降。针对该问题,本工作提出面向混合存储的自适应数据分配策略。此策略在应用数据访问模式的预测结果的基础上,结合外存层各存储介质特性差异,进行访问模式变化自适应的数据分配,以提高混合存储系统数据访问性能。通过自适应数据分配策略,本工作在访问延迟与能耗两方面提高混合存储系统访问性能。（3）片上存储层多位翻转错误下的敏感度分析框架研究。面对片上存储可靠性问题,敏感度分析方法定位程序数据中的脆弱部分,以减少可靠性保障策略的开销。然而,传统敏感度分析方法不能适应多位翻转错误的特性,分析多位翻转错误的效率较低。针对此问题,本工作提出了针对多位翻转错误的敏感度分析框架,其挖掘了多位翻转错误下,程序数据在片上存储层的敏感度特点。同时,本工作设计了代替传统指令粒度的基本块粒度敏感度分析方法。最后,本工作使用机器学习方法代替部分错误模拟实验,以在牺牲少量准确率的前提下,显著提升敏感度分析方法效率。最后,基于真实的应用数据访问记录与执行记录,本文在服务器平台上进行相关实验验证。实验结果表明本文提出的访存行为预测方法可以取得较高准确率;提出的混合存储数据分配策略可以很好地利用混合存储介质性能差异,并显著提高存储系统访问性能;提出的片上存储多位翻转错误敏感度分析框架可以显著提高分析效率。