大数据环境下写多读少的场景日益增多,非结构化数据的比例也逐渐提升,越来越多的企业采用KV数据库来代替传统的关系型数据库。LSM-tree（Log-Structed-MergeTree,日志结构合并树,后文统称LSM树）由于其出色的写入性能,被众多KV数据库采用作为底层存储引擎。尽管KV数据库在数据存储规模、可扩展性上均有着传统数据库无法比拟的优势,但依然面临着数据爆炸式增长带来的存取压力。目前大多数针对LSM树的改进并未利用到数据的特性,这在一定程度上浪费了数据本身所携带的分布信息。本文将利用数据依赖的方式改进LSM树的读写性能,使其在大数据存储领域更具有存取时间和存储空间上的优势。本文的主要研究内容与贡献如下:1)基于数据依赖的LSM树读取性能优化LSM树中布隆过滤器常用于减少无效的磁盘I/O,加速读取过程。但是用户无法无限制地细化布隆过滤器的粒度,原因是在一些数据量庞大而数据项较小的工作流中,这些元数据需要占用大量存储空间。在一些内存受限的环境下,内存缓冲区无法容纳更多的过滤器数据,造成缓冲区与磁盘的频繁数据交换。针对上述问题本文提出LSM树中的异构布隆过滤器方案（Heterogeneous Bloom Filter Scheme in LSM-tree,HBF-LSM）,在LSM树的每一层维护热度预测模型,新生成的SSTable通过预测的热度来分配不同粒度的布隆过滤器,然后使用特定缓存管理方案来维护缓存中的过滤器数据并处理工作流热度发生改变的情况。实验证明本文的方案在保持同样外存占用与内存消耗的情况下,提高了LSM树在不同配置工作流下的读取吞吐量（小型数据库提高约25%,大型数据库约53%）。2)基于数据依赖的LSM树写入性能优化LSM树中较高的写入放大一直是难以解决的问题。原因是在传统LSM树结构设计中不考虑数据热度情况,设计空间一般无法兼顾读写性能,即需要在用户可接受的范围内牺牲一种性能以提高另外一种性能。在提升LSM树写入性能时,只能在设计空间中保守地选择设计方案以减少对读取性能的影响,导致写入性能提升有限。针对上述问题本文提出一种结合数据读取热度的新的LSM树结构（Leveling-Tiering-Grouped LSM-tree,LTG-LSM）,在LSM树的每一层维护热度预测模型,新生成的磁盘组件通过预测的热度来确定使用的结构,然后使用特定合并算法来处理不同结构组件之间的合并以及处理工作流热度发生改变的情况。实验证明本文的方案在不牺牲读取性能的前提下,大幅度降低了LSM树的写入放大（最高降低约71%）,提高了LSM树在不同工作流下的写入吞吐量（最高提升约24%）。