云计算是新一代不可或缺的互联网基础设施,极大地支撑和加速了大数据与人工智能的发展。作为云计算技术的延伸,边缘计算提供高带宽、低延迟、高安全的计算与存储服务,成为云计算的有益补充。在目前万物互联和海量数据产生的背景下,数据计算与存储的需求迅猛增长,越来越依赖于云计算和边缘计算所提供的资源。面对当今纷繁复杂的云计算市场,各云提供商的收费项目、定价策略、及其云服务的工作性能千差万别,并且单云模式存在着供应商锁定、数据泄露、低可用性等诸多风险,这让多云存储成为发展趋势。但是如何根据用户存储数据的需求和特点,选择合适的云存储服务来满足用户的需求并使得关键Qo S指标达到最优是一个亟待解决的挑战和难题。同时,由于边缘设备及其环境具有非常大的异构性和波动性,使得在云边协同环境下考虑数据存储优化时,其约束条件更多,应用场景更复杂,解决问题的难度也更大。特别地,现实世界中大部分的数据都具有时间和空间维度上的属性信息,并且数据的另外一些重要属性也具有时空变化性,这些特性对数据存储具有非常大的影响,而在以往的研究中往往被忽略。因此,本文针对上述挑战问题,围绕多云及云边协同环境下时空统一的数据优化存储问题展开研究。本文的主要工作包括以下部分:（1）综合数据的时空相关属性,抽象出数据“温度”的概念与定义,并给出了相应的模型和计算方法。该方法以时间的变化为主要参考依据,通过综合数据请求的地理位置分布及密度、用户访问次数、流行范围、集中程度等,计算数据的温度值并获得其分布,进而推算出区域温度和全局温度。数据温度作为本文研究的基础,支撑和贯穿于后续数据优化存储方法的研究中。（2）针对多云环境下动态的数据优化存储问题,本文首先给出了该问题的相关定义,然后基于所提的数据温度模型与计算方法,根据其分布在不同地区得到相应的云服务集合,利用权重法与存储方案评分,将多目标优化转换为单目标优化问题,并利用蚁群算法得到优化的数据存储方案。在此基础上,初步探讨了当数据温度和云服务发生变化时进行动态调整的策略,以达到快速应对变化并在整个数据存储周期内Qo S指标的优化。（3）针对云边协同环境下的数据优化存储问题,重点考虑了延迟约束下的成本优化。首先给出了相关问题定义与优化目标,然后根据数据温度的分布情况,考虑在不同的区域放置不同数量的副本,将该问题映射至0-1背包问题,并利用动态规划算法获得优化存储方案。实验证明,基于温度的方法除了与经典数据放置方法相比能够节省开销外,将数据存储在其流行地区,也在一定程度上发挥了数据的重要价值。