随着海量数据的不断增长,如何高效安全地对数据进行存储,更深层次的挖掘和利用大数据,成为当前急需解决的重要问题。混合存储是目前存储领域研究热点,通过利用不同性能和特点的存储介质构造存储设备。存储系统追求的性能主要在系统负载和处理请求速度方面,而这些性能与数据布局策略之间联系紧密。因此,为了提高系统性能对数据布局策略进行研究,构建高效可靠的混合存储系统是当前需要解决的重点问题。本文主要研究内容如下:(1)对所构建的混合存储目标进行分析,选择采用SSD与HDD同层架构作为混合存储结构,利用不同磁盘的存储特性来对数据进行存储。(2)对目前已有的数据布局策略进行分析,在SP和SOR策略的基础上进行改进,根据系统平均负载情况将数据节点分类,提出将数据按服务时间进行降序排序,在小于平均负载的节点上采用Greedy方式存放数据直到节点的负载大于平均负载,将剩余数据采用轮询方式存放到所有节点上,并根据数据的热度情况选择存储的磁盘,避免将大的数据存放在SSD中降低磁盘写寿命。(3)采用遗传算法来优化系统性能,从系统负载和请求响应两方面构造适应度函数,针对遗传算法中收敛速度过慢和局部最优问题进行分析,对初始种群进行约束避免了无效个体的产生,采用自适应的交叉变异算子来进行遗传操作,改进选择算法来提高种群质量,保证优良个体可以遗传到下一代,使得种群更具多样性。实验结果表明,当种群规模范围在30-50,遗传代数超过600时,本改进遗传算法在寻找全局最优解和快速收敛程度上表现最好。为了评估该布局策略对系统性能的影响,通过搭建Hadoop集群环境来进行实验对比分析,通过改变数据节点数和请求数据量,观察三种策略在系统响应时间和负载两方面的不同变化。实验结果显示,本文的改进策略在系统负载较大的情况下,系统性能在对数据进行处理方面仍表现很好,与SP、SOR策略相比,系统性能分别提高了21.60%和16.38%。因此,本文所提出的数据布局策略对于系统性能的提高有着明显的作用。