数据仓库中存放着海量数据，基于数据仓库的查询和分析操作通常都比较复杂，如何对用户请求提供快速响应，是数据仓库面临的一个严峻挑战。并行处理技术、bitmap索引技术、实体化视图技术等都是提高数据仓库性能的有效手段。但是仅靠这些技术还是不够的，如果每次查询都直接和底层数据存储打交道的话，查询性能的提高终究有限。尤其在多用户并发查询的时候，或者聚集数据需要实时计算的时候，“用过即丢”的处理方式会使系统性能大打折扣。缓存(Cache)技术能够很好地解决这个问题，它利用系统的内存空间将查询结果暂时保存下来用于回答后续查询，从而有效的改善系统I/O状态和运算效率，大幅度提高了系统的性能。　　缓存技术的研究始于对操作系统中缓冲区的研究，通常采用随机模型来刻划数据存取行为。在基于数据库的OLTP(On-Line Transaction Processing)应用中对于缓存技术也有较为充分的讨论，但是在数据仓库OLAP(Online AnalysisProcessing)应用背景下对缓存技术的探讨相对较少。本文将主要讨论数据仓库环境下OLAP应用中的缓存技术。　　论文首先详细回顾了缓存的主要研究内容和现有技术，包括缓存的粒度和缓存的淘汰算法，分析了数据仓库OLAP应用中缓存的特点。在数据仓库环境下，缓存中的内容是具有语义信息的结果集，与当前的查询模式有关。用户为了完成某项分析任务而执行的“会话”由一系列的查询组成，这些查询在内容上相关，在结构上相似。如果通过分析用户的查询模式，预测其可能的下一步操作，将可能的查询结果提前预取到缓存中，用于回答后续查询，必然会提高缓存的命中率，改善系统的性能。本文逐步深入地提出了4种适应于数据仓库的缓存管理策略：　　P-Cache中首先将预取的思想应用于缓存管理器的设计中，并设计了相应的缓存选择与淘汰算法。它从逻辑上把缓存划分成了2个室:“工作室”和“预取室”。“工作室”中存放真正的查询结果集，“预取室”存放用户可能进行的下一步操作的结果。当预取室中的结果被系统命中时，它通过与工作室中的块进行权重比较而进入工作室。实验结果证明了P-Cache的有效性，它提高了缓存命中率，改善了系统性能。同时，克服了传统预取思想的盲目性，解决了如何选取替换块以及何时进行替换的问题。　　虽然P-Cache证明了预取缓存策略的有效性，但是在预取块内容的选择上过于简单，没有利用数据仓库的查询相似性特点，本文继而提出了PV-Cache基于预取视图的数据仓库缓存策略，通过分析查询的结构特征，借助于实体化视图的结果，选择与当前查询相关的视图构成“相关查询候选集”;比较该集合中各查询的“查询差异因子”，利用贪心算法预取与当前查询差异最小的视图进入缓存。同时，在预取室大小的选择问题上，利用取样方法构造“响应时间-空间”比例图，由用户选择最佳的时空平衡点，保证缓存效率最佳。　　由于数据仓库OLAP用户通常具有一定的领域知识，他们提出的查询是建立在对数据特征理解的基础上。如果能够利用数据自身的特征，挖掘用户可能关注的近似查询，将近似查询结果集预取入缓存，将是一种提高缓存效率的有效途径。基于这种思想本文提出了AP_Cache预取“近似查询集”缓存策略，通过挖掘维层次间的近似函数依赖关系，对它们的重要程度进行排序。然后，根据维层次的重要程度和频繁出现的维值构造维信息“知识表”，利用“知识表”对当前用户查询（“基查询”）进行“松耦合”操作，即减少基查询中非重要维层次上的约束条件，放松对当前查询的限制，获得当前查询的近似查询集，从数据库中取得满足近似查询的元组作为预取内容进入缓存。实验证明AP-Cache的有效性，进一步提高了缓存命中率和系统性能。同时，可以根据不同用户的查询特征为其定制维信息“知识表”，从而满足不同用户的分析需求。　　对用户查询的正确预测是保证预取缓存性能的关键，本文还建立了对用户查询模式的预测模型，包括“结构预测模型”和“约束值预测模型”，前者用于预测查询在结构上的变化，后者用于预测查询在约束条件取值上的变化。基于预测模型提出了相应的预测算法，可以对用户查询进行有效的预测。同时，将“预测算法”应用于预取思想的缓存设计中，提出了PM-Cache基于“查询模式预测模型”的缓存策略。通过对真实数据的分析证明了预测算法的有效性，同时也说明了基于“查询模式预测模型”的缓存具有良好的性能。　　本文的主要贡献如下:　　(1)提出了P-Cache基于“预取”的数据仓库缓存设计方案，将查询可能用到的块提前预取到缓存中，提高了缓存命中率，改善系统的性能。　　(2)利用数据仓库OLAP查询的相关性，借助实体化视图的结果，提出了PV-Cache基于预取视图的数据仓库缓存管理方案，进一步提高了预取的准确性，改善了查询性能。　　(3)提出了“AP-Cache预取近似查询集”的缓存策略，利用维信息“知识表”对当前查询进行“松耦合”操作，产生“近似查询集”，将其结果预取到缓存中。利用数据自身特点和用户的查询特征选择预取内容的策略，使缓存的设计更加智能和人性化。　　(4)提出了基于“用户查询模式”的预取缓存策略，通过对用户查询模式进行抽象，建立了查询的“结构预测模型”和“约束值预测模型”，并利用预测模型设计了预测算法。预测模型有效地刻画了用户分析行为，为基于预取策略的缓存技术提供了有力支持。