在大规模的文件存储系统中,元数据访问性能的优化对文件系统的整体性能提高有着非常重要的影响。为了使元数据服务的性能达到最优,建立一种基于元数据预取有效的、正确的模型显得尤其重要。然而,目前存在的缓存预取算法大多是设计来应用在文件数据的存取访问中,没有考虑到元数据访问的特征与元数据本身尺寸较小的特点。若将适用于文件数据的缓存预取算法应用于元数据的预取操作中显然不具有针对性,反而可能导致访问效率低下。针对这种情况,本文提出一种利用存储系统中的元数据操作日志文件对用户未来可能要操作的元数据进行成组预取的模型,并设计了充分体现元数据特点的缓存和预取的新算法。通过对n-gram预测模型的分析,考虑到元数据之间的长距离信息的重要性,引入数据挖掘技术来辅助n-gram模型来实现元数据成组预取。通过评估不同参数值n对模型的影响,本文选用3-gram模型作为预测模型;并综合运用3-gram预测模型和数据挖掘相结合的方法来实现元数据的成组预取,提高元数据访问的缓存命中率,缩短元数据访问请求的平均响应时间,从而提高元数据的访问效率。模拟实验证明,对于不同用户的文件元数据操作日志序列,新元数据预取模型的Cache(缓存)命中率与NEXUS算法相比平均提高了3.9%,与LRU算法比较平均提高了16%。但是新元数据预取算法的空间复杂度较高,不利于其应用于真实的文件系统。为将元数据预取算法应用于文件系统中,文中实现了在线元数据预取改进算法。该在线改进算法支持增量的频繁闭项集挖掘,且不保留中间挖掘信息,很大程度上减少了挖掘的空间复杂度。模拟实验表明,该算法所占用的平均内存空间明显低于新元数据预取算法所占用的空间,仅为其的24%。综合来看,在线元数据预取算法所消耗的时间也有相应的缩短。故在线元数据预取算法是非常有效的,极大地改进了新元数据预取算法在内存空间上占用过多所造成的不足,同时加快了算法的执行速度,对于元数据预取算法成功的应用于真实的文件系统提供了极大可能性与可行性。