随着数据量的增长和存储介质材料的发展,计算机系统的存储结构也在不断发生改变。将不同热度的数据放在不同的存储介质中,是一种比较高效且经济的存储架构。然而如何在大规模的动态I/O数据流中,快速高效地识别热数据却是一个很少或被单独研究的问题。考虑到计算机系统中现有的数据缓存算法的本质也属于一种狭义上的热数据识别算法,因此基于其上来进行热点数据识别算法的研究和实验验证是一种比较合理的思考和研究方式。通过研究计算机缓存和闪存介质中的数据缓存算法,发现算法的设计原理主要利用了局部性原理和数据访问频率。然而新进度和频率这两个指标并不能全面反映数据访问模式的特征,同时数据访问的模式是动态的,而算法也不具备有针对捕捉到的数据特征变化而做出自适应调节的能力。因此现有的缓存算法设计中会通过引入元数据历史信息和添加自适应性等方式改善缓存性能,但是也会存在有缓存污染和无法有效捕捉距离大于缓存的热数据等问题。针对上述问题,本文提出一种自适应分类重用距离来捕捉热数据的缓存算法和一种基于数据资源转化效率模型的热数据识别方案。主要工作和创新之处如下:(1)一种自适应分类重用距离来捕捉热数据的缓存算法(ACRD)。为了解决热数据块之间的缓存污染和贮存时间分配等问题,本文提出了ACRD。算法利用数据的重用距离特征和缓存替换的元数据历史信息来深度挖掘数据访问模式的特征,并以一种自适应的方式实现这种热数据识别和缓存时间分配的问题。实验结果表明,算法的性能明显优于LRU算法,并且在许多场合优于目前比较优秀的2Q和ARC算法。同时,算法在不同的缓存规模下的命中率具有稳定性。(2)一种基于数据资源转化效率模型的热数据识别方案(RED)。通过研究动态I/O数据流访问模式所反映的频率、新进度和重用距离等数据特征指标,结合现有缓存算法的研究,本文构建出一种基于数据资源转化效率定义的热数据模型,并设计了基于此模型的热数据识别算法(HM)。实验结果表明,算法的热数据识别性能与缓存中比较优秀的缓存替换算法和闪存中比较流行的热数据识别算法相比都获得了比较良好的优势。