近年来随着科技的进步与发展,数据量成爆发式的增长,传统的数据库以及传统的计算方式受到了巨大的挑战。传统的数据库已经无法满足海量数据的便捷存储,传统的计算方式也无法满足海量数据的实时处理。在数据检索以及推荐策略领域,Reverse Skyline查询算法以及相关算法一直是研究热点,主要用于多目标决策问题。但是随着数据量的急剧增长,传统的算法流程已经无法满足实时性、高效性、稳定性等方面的需求。传统算法如何在海量的数据环境中高效率、低延迟、高精度的检索出有效的数据,这是亟待解决的问题。分布式架构的提出,使海量数据处理并行化成为可能。分布式架构Hadoop是处理静态高吞吐量数据最有效的架构之一。其中HDFS针对海量数据的存储问题采用高容错的分布式存储模式,针对数据的管理则采用了典型的主从模式;MapReduce设计模式将计算拆分成键值对的形式,同时改变了传统的数据读取到计算模块的传统计算方式,使计算去寻找要处理的数据,减少了IO操作并实现了大规模海量数据的并行处理。虽然分布式架构能对海量数据进行并行处理,但是传统的基于MapReduce的Reverse Skyline算法仍还存在一些不足。传统的Reverse Skyline算法虽然实现了并行操作,但是如果每次查询的时候对所有数据进行一次遍历,那么会造成很大的开销,导致查询效率低下,同时造成计算资源极大的浪费,所以索引的建立是很有必要的。传统的Reverse Skyline查询算法由于查询条件的变化和查询位置的不同导致在不同的情况下并不能很好的复用索引结构,同时剪枝的效率也受到了一定的限制。那么如何有效的改进传统的Reverse Skyline算法与索引结合并实现最大程度上的剪枝是提升查询效率的关键所在。本文根据传统的Reverse Skyline查询算法的特性以及加速海量数据处理的方式,对传统的Reverse Skyline查询算法进行改进并提出MRRSL算法(基于MapReduce的Reverse Skyline查询算法)。基于索引机制,为了加快查询速度,提高查询效率,细化剪枝粒度,本文定义了过滤集,其中过滤集包括候选过滤集和判断过滤集,利用过滤集中的数据在索引中进行剪枝,极大的提高了计算速度和效率,细化了剪枝粒度。对于该算法的整体结构,本文定义了MapReduce链,以更好地与索引机制进行结合在分布式环境中实现并行化操作,实现了针对不同的查询条件不同的查询位置,索引只需建立一次即可反复使用,极大的提高了查询效率。在操作时,本文定义了候选集和判断集,其中候选集和判断集分别是根据候选过滤集和判断过滤集而生成的。利用判断集对候选集进行过滤判断,进而不用建立中间判断数据点,减少了计算和存储开销。