随着大数据时代的到来,人类存储了大量数据,如何高效的处理这些数据也越来越引发人们思考。传统的在线事务联机处理（Online Transaction Processing,OLTP）型数据库系统不能有效的满足人们分析海量数据的需求,而在线联机分析处理（Online Analytical Processing,OLAP）数据库系统受到广泛关注,成为人们研究热点。内存容量的扩大和价格的平民化,使得数据可以直接存储于更接近CPU的内存之中,内存配合列式存储的方式,可以极大的提升数据处理效率。但目前内存数据库的存储依然有些不足,比如:数据分布散乱,不能有效过滤无关数据,导致需要访问多个数据分片;数据组织方式单一,对于不同特性的数据采用相同的数据编码方式。本文将针对分布式列式内存数据库存储引擎的各种问题,从数据划分、数据存储、数据传输、数据计算等多个方面提出优化方案,目的是高效组织数据,降低内存使用的同时,提升存储引擎访问效率。主要工作内容如下:1.设计并实现新的数据分区方式。改变数据原有离散存放的特性,提出一种适合分析场景下的数据划分方式,并建立多级统计信息。将数据按某属性值划分为若干组,组内按另一属性值排序,并且每组按列为单位存储和管理数据,减少原始表Row ID的影响,只需维护组内的Row ID映射关系,减少维护Row ID的代价。每组的各列数据可继续划分为更小的存储单位,并在每个层级建立统计信息,以便按不同粒度选择扫描数据。2.设计并实现多种存储格式和中间数据结构。针对不同的数据组织形式,可按照数据自身特性选择适当的数据存储格式,兼顾访问速度与空间使用效率。并基于存储结构,优化不同节点间传输数据的中间数据结构,降低网络通信开销,并减少内存消耗。3.设计并实现存储层算子。基于特有的数据分区方式,在一定情况下选择存储层算子,使之可以在存储引擎中完成部分计算,减少大量数据传输,提升存储引擎的资源利用率,降低查询时延。本论文是在自主研发的分布式列式内存数据库GoldFish基础上优化,并对优化后的系统从功能和性能两方面进行测试,结果显示,内存占用大幅减少,查询性能也有不同程度的提升。