信息技术的出现扩大了每天产生大量数据的信息系统的规模和范围,开启了大数据处理和分析领域。基于虚拟化的云计算环境不仅可以满足日益增长的数据存储需求,还可以满足大数据应用的繁重和大规模计算需求。然而,将用户数据从私有存储系统中移动到公有环境下存储和处理会带来新的挑战。云资源访问效率问题是一个非常重要的问题,它直接影响用户对云供应商提供的服务质量的体验。另外,安全问题,尤其是数据隐私,也是用户非常关心的问题。然而,由于云基础架构的复杂性、云资源的异构性以及云环境的多租户特性,解决上述问题非常困难。因此,需要新的云存储模型来适应云基础设施和使用的多样性。本文首先根据云计算环境下多租户的特点提出了一个新型云存储架构,该架构包括用户层、数据管理层和存储层,我们在用户层引入了本地索引的概念,用以加快用户数据的索引效率。为了使本地索引发挥到最大价值,我们对集群元数据组织形式进行了优化,把元数据按用户进行分组,在很大程度上提高了并发索引的效率。考虑到数据可用性及存储节点均衡负载和最小化数据索引时间的问题,我们首先建立了数学模型,然后提出了一种有效的放置算法,该算法在保证存储节点均衡负载和数据可用性的基础上,最小化了数据的索引时间。为了适应用户对数据的动态需求,我们实现了基于热度的动态副本的机制,同时也给用户提供了基于服务器实时性能的最佳数据检索路径。最后,为了进一步提升用户数据的安全性,我们添加了安全模块,该模块主要用来对存储集群中的数据提供加解密服务及密钥的管理服务。本文在开源分布式存储系统MooseFS的基础上实现了一个高性能云存储系统,并把本地索引模块和安全模块引入到了该系统中,同时使用我们上面提出的数据放置算法、动态副本策略和基于服务器实时性能的数据定位策略替换了MooseFS原有的相应机制。最后,我们搭建了相应的测试环境,在不同场景下,对该云存储系统进行了功能和性能的测试,同时还与MooseFS的各项性能作了对比。最终证明了我们设计的云存储集群的性能在很多场景下比原生系统性能高。