云存储日益成为海量数据的重要存储技术,但是其存储空间和每秒读写操作次数（Input/output operations per second,IOPS）按量付费（Pay-as-you-go）的特点与传统本地存储设备的差异明显,对应用广泛的基于日志结构合并树（Log-structured merge-tree,LSM）的键值存储系统的读写性能产生了严重影响。在读性能方面,低成本云存储卷有限的IOPS使得LSM键值存储系统的读I/O放大问题更为严重;同时,LSM键值存储系统的键范围分布不均问题导致多个云存储卷的付费IOPS性能难以充分发挥。在写性能方面,LSM键值存储系统频繁的合并任务会产生大量的计算操作,使得CPU计算成为写性能瓶颈,难以有效利用高性能云存储卷的付费性能。因此,本文围绕云存储按量付费的特点和LSM键值存储系统的读写方式,从减轻读I/O压力、均衡键范围分布和加速合并任务操作三个方面展开研究。为了提高存储性价比,LSM键值存储系统通常采用少量高性能云存储卷搭配大容量低成本云存储卷的混合存储架构,但是云存储昂贵的IOPS性能使得存放了大量数据的低成本云存储卷IOPS有限,对大量数据的访问凸显了LSM键值存储系统的读I/O放大问题。为此,提出一种前缀压缩索引的分层云存储读优化方案Rocks Mash。Rocks Mash采用高性能云存储卷存放LSM的顶层数据和底层元数据以提升读I/O性能,采用低性能低成本云存储卷存放LSM底层的数据以降低存储成本。其次,提出一种前缀压缩的索引结构Mash Meta,能够大幅减少元数据的内存占用,并且保证每个读请求最多访问1次低性能云存储卷。此外,以高性能云存储卷作为内存空间的补充,设计了一种基于LSM写请求特点的持久缓存方案,可精确识别失效数据块以减少底层数据的I/O访问。实验结果表明,Rocks Mash可有效提升读性能,提升1.7倍的IOPS、减少65%的元数据大小并提高了0.9倍持久缓存命中率。多个小容量云存储卷比相同费用的单卷性能更高,但多个云存储卷负载不均,导致IOPS利用率低且平均时延较高,严重影响读性能,对此提出一种负载感知的云存储多卷读优化方案TANGO。TANGO采用键范围感知的写策略,在写入时直接均衡键范围在各卷之间的分布,同时通过后台负载迁移进行动态优化。其次,通过测试与理论分析,发现云存储在I/O超载时存在“防御”机制,因此采用双层I/O流控机制,在用户层根据各卷的付费IOPS性能和负载情况动态地调整允许接收的用户请求数量,同时在块设备层严格限制发给每个卷的I/O数量,避免触发云存储卷的“防御”机制以获得更好的平均时延。实验结果表明,TANGO相对大容量单卷方案增加了7倍的性能,相对现有存储多卷方案提升了20%的性能,各成员卷之间的负载差异仅为3%,同时降低了60%的平均时延。针对使用高性能云存储卷时,CPU计算瓶颈限制LSM键值存储系统写性能的问题,提出一种GPU加速的细粒度并行写优化方案LUDA。结合GPU适合处理并行任务的特点以及合并任务的天然并行性,LUDA引入GPU加速处理合并任务所产生的大量操作以提升写性能。在此基础上,为适应GPU的存储层次结构,LUDA提出最少数据移动的轻量级合并方案,减轻GPU内的数据移动对合并任务的影响;此外,通过细粒度并行处理来适应GPU的并行结构特点,提升单个合并任务内的操作并行性;最后,采用关键任务优先的策略及时处理写路径上的关键任务,避免写阻塞的同时保障多个合并任务在GPU上的并行性。在亚马逊云和阿里云上的实验结果表明,LUDA最高提升了1.77倍的写IOPS,同时99%长尾时延表现更好。