在分布式数据存储中,因果一致性由于易编程与性能权衡最佳而成为比强一致性更受欢迎的一致性模型。但现存因果一致性模型由于鲜少关注数据治理且定期运行数据稳定过程,从而无法满足用户对实时数据和高并发性的要求。数据稳定过程实为数据的因果依赖检验,当前因果一致性模型多使用矢量时间戳进行依赖关系跟踪达到因果验证的目的,但这种操作会增加元数据开销,损失了系统吞吐量。针对上述一致性模型中的问题,本文主要做了以下工作:（1）为解决现存因果一致性模型中因数据稳定过程无法满足数据实时要求等问题,本文以数据治理为切入点,提出了基于热数据治理的模型—Horae模型。该模型通过排序简化因果序列验证,加速数据稳定性,同时达到了优化模型更新可见性和读取响应延迟的目的。此外,Horae模型存储热数据,减少分区负载数,提高操作并行度,在一定程度上提高了吞吐量。理论分析和仿真实验表明,所提出的模型在吞吐量、读取响应时间和更新可见性方面优于现有模型。（2）为解决现存因果一致性模型中使用矢量依赖跟踪损失吞吐量等问题,本文提出了以偏向稳定为基础的审计因果一致性模型。该模型在查询操作中使用组合标量时间戳代替矢量时间戳。组合标量时间戳通过降低部分操作的元数据开销以提升吞吐量。同时,该模型的更新是以矢量依赖跟踪为基础与因果审计混合跟踪因果关系,细化数据依赖性,进一步减少虚假依赖数量以减少延迟。