点对点分布式存储系统是一种去中心化的系统,该系统能将地理完全分散的数据节点连接起来,对空闲空间进行资源共享。由于系统中数据节点的地理完全分散,在调度过程中需要更全面的考虑数据节点的自身网络性能、硬件性能、故障发生率、空闲程度等指标。若调度算法单一地考虑时间或性能会导致系统负载不均衡,使得算法执行时间变长。本文基于以上课题展开研究,主要研究成果与创新点如下:依据改进的网格密度峰值聚类算法对系统中数据节点进行聚类划分。传统的密度峰值聚类算法在大规模数据点划分中存在:执行时间长、算法复杂度高、簇中心选取无法自适应、簇结果易受手动参数影响等不足。本文提出自适应划分网格边长,使用豪斯多夫距离,引入万有引力,通过极大值平均选取法获取局部密度与相对引力阈值,最后得到簇类中心。实验表明,本文大规模节点划分算法在执行速度上较传统算法最多约提升了77%,聚类结果的误差在1%至8%之间,在大规模数据集上划分结果的轮廓系数维持在0.42左右。根据改进布谷鸟搜索算法对系统中划分好的节点域进行择优搜索,本文将节点域调度问题抽象为多目标搜索问题。通过自适应莱维飞行的步长缩放因子,调整丢弃策略,使得进入丢弃流程后总是能用较好解替换较差解。实验表明,本文节点域调度算法的执行速度最多提升了27.2%,任务预期最大执行时间能保持在2s以下,最差情况下,节点域冷热度能稳定在[0.01,0.015]区间中。为了解决单一调度机制无法同时兼顾时间与负载且不适用于大规模节点调度的缺陷,本文结合大规模节点划分算法与节点域调度算法,组成点对点分布式存储系统节点调度算法。实验表明,本文节点调度算法的执行速度最多提升了 32.71%,节点组冷热度能维持在0.025以下。