随着大数据时代的到来,企业积累的数据程爆炸式增长。并且企业又需要根据这些海量的历史数据做决策,OLAP的出现使对大数据的处理变得简单了许多。然而受数据的海量化和高维化影响,OLAP技术在计算和存储方面仍然面临严峻的挑战,分布式环境下的处理方式只是缓解上述挑战。为了提高大数据的查询效率,出现了数据立方体。然而其构建时间和存储空间开销特别大。为了解决这一问题,后来出现了一种有效的无损压缩技术—封闭数据立方体。但是封闭数据立方体缺少灵活,其聚集往往只支持一类查询,封闭直方图数据立方体使立方体的灵活性有了较大的提高。本文在现有压缩方法的基础上提出了一种新的压缩方法,对封闭直方图数据立方体的存储结构进行优化。将派生出来的封闭元组和生成该封闭元组的基本元组中编号最小的元组存放在一起,并且只存储该封闭元组对应的度量值和封闭元组编码,这样将一个封闭元组用一个整数表示,有效的降低了存储空间。本文采用已有的计数倒转的压缩方法对度量值向量进行处理,使之满足近似查询,从而减小度量值向量部分的开销。并且本文改进了计算封闭直方图数据立方体的MRC-Cubing算法,使其对All元组和基本元组的计算变得简单高效,并提出了对超大封闭元组的计算策略,均衡了各个任务的负载。构建封闭直方图数据立方体在时间上是一种很大的开销,因此希望将新数据快速融入立方体中。本文对增量更新中分析已有的封闭立方体所带来的收益与代价,提出了分布式增量更新的两种方案。一种是将新数据直接和已有立方体合并,另一种是将两个立方体合并。这两种方法与重新计算立方体相比都节省了大量的时间。用户可以根据自己的需要来选择使用哪种增量更新的方法。为了加速封闭直方图数据立方体的查询,本文提出了基于倒排索引的MapReduce查询,在数据量较大时能够有效的提高查询速度。为了实现对封闭直方图数据立方体的在线近实时查询,采用HBase作为直方图立方体和其索引的存储平台,并结合查询键、查询码以及倒排索引实现快速交互式查询。本文在TPC-DS测试数据集上通过实验证明了:对数据立方的压缩情况,以及增量更新相对于重新计算的优势和查询算法及实现的相对于以前查询算法的高效性。