近年来大数据与传统行业的联系日益紧密,使得传统行业不断迸发出新的生机,但这也在数据的分析处理和应用方面带来了一些挑战。在大数据分析中,通常使用OLAP(联机分析处理)和聚集查询,与一般的SQL查询相比,这些查询具有更强的语义和上下文关系(如向下钻取和向上汇总)。然而,传统的查询缓存没有充分利用OLAP或聚集查询的特性。因为在有限的内存空间下,它们既不发掘OLAP的语义,也不考虑对数据的压缩,尤其在大数据的环境下。本文提出了一种OLAP语义缓存模型,利用数据立方体中数据单元之间的语义关系来促进缓存中的查询和压缩。在OLAP语义缓存模型中将商立方体等价类作为缓存管理的对象。作为一个缓存模型,本文的主要工作有:1)缓存项是在查询中动态生成的,依据连接等价的原理找到了更新缓存项的方法;2)利用缓存项内部已知的数据单元推导出未知的数据单元;3)依据缓存项与查询项的层号关系设计了合理的索引以提高查询匹配的效率;4)利用集合容斥原理计算缓存项的覆盖能力,作为缓存替换的依据。本模型相对于传统查询缓存的创新之处是:在保留数据单元语义的同时还能够压缩数据。本文分别使用真实数据集与合成数据集,通过变化维度数、元组数以及查询项的倾斜度等参数验证了缓存的性能。通过与传统的基于LRU和LFU替换策略的算法对比表明,在无倾斜的查询中,由于缓存项能保留语义,命中率提高了30%左右;有倾斜的查询中,命中率提高了近40%;在缓存压缩的实验中,缓存压缩率在45%左右。