随着网络的快速发展,网络数据的使用越来越受到人们的关注.由此,出现了一个新的研究热点——流数据.流数据的出现给传统的数据库管理带来了很多新问题,如何处理大量的实时数据,避免数据的丢失以及如何存储不断增加的新数据等.这些问题都要求新的查询、存储处理方式,也就是该文提出的连续的查询与动态的存储处理.该文对国内外关于流数据的查询与存储技术的研究现状进行了综合分析,从一个全新的应用角度,面向实际问题的解决,对流数据的查询、存储及其优化方式进行了研究与应用,并针对目前研究中的问题,发现了它的不足之处,并提出了解决方案.首先,该文提出了新型的SDMS(Streaming Data Manage Systems)模型,将流数据领域中的查询分成实时数据查询处理与历史数据查询处理,并针对于应用系统,提出了实时数据查询索引方法与历史数据查询索引方法.其次,该文在实际系统中扩充了流数据的研究理论,将关系数据查询与当前正在发展的XML技术结合起来,将XML作为发布系统引入了SDMS中,使得流数据应用的数据源可以适应不同类型的网络数据.此外,该文针对于历史数据的特点,提出了"聚集值分级统计法".根据数据的时间戳早晚,分不同粒度级来压缩数据,保存数据的聚集值,转出详细数据记录,节省了存储空间.最后,该文将原型系统与原有版本的监测系统作了分析与比较,对比了性能上的改善,取得了可喜的成果.