伴随着大数据时代的不断加深,数据量呈指数趋势不断增长,同时数据维度也相应地持续增加,因此,快速实时数据分析等需求面临着新的挑战。提升数据存储服务的实时性、准确性以及交互性是数据分析领域重要的需求。然而当前大数据存储技术大多采用基于HDFS的分布式文件系统进行设计,存储层之上的众多应用性能也受到该文件系统与磁盘交互高延迟特性的制约。内存云(RAMCloud)是一种将所有数据存储在集群服务器内存中的新型存储系统,它能够加速数据的访问速度,有效解决了磁盘访问延迟较大的瓶颈。加之近年来内存价格的不断下降,使得内存云不断成熟以至达到普遍商用化成为了可能。使用内存云对数据对象进行存取时需限制对象的大小,因为内存云仅支持存储容量最大为1MB的小块数据对象,一旦数据对象的大小超过1MB,那么该对象将无法被直接存储在内存云集群中。然而,现实生活中需要被存取的对象大多为大于1MB的大块数据对象,为了充分利用内存云的快速访问特性且解决其存储大小受限问题,本文对内存云中大块数据对象的存储与读取方式展开了深入研究,并由此提出了一种基于内存云的大块数据对象并行存取方法。本方法共分为两个模块,分别为大块数据对象的存储和读取模块。其中存储模块充分利用了数据分割的思想,首先将大块对象分割成可以被内存云直接存储的若干个大小为1MB的小块数据对象,该分割过程在客户端进行,同时会生成相应的数据摘要,然后采用并行计算的策略将分割后的所有数据对象同时存储在内存云的集群中。读取模块的过程与存储过程反向对应,首先利用并行策略从内存云中读取所有小块数据对象,读取过程需根据数据摘要进行,然后将读取到的所有数据进行合并得到原始的大块数据对象。通过实验分析表明,在原始的内存云集群体系架构下,本方法的存储速度为16~18微秒,读取速度可达到6~7微秒;在InfiniBand的网络架构下,本方法的并行策略可以使得大块数据对象的存取与小块数据对象的存取具有相同级别的速度,成线性增长的加速比表明了本方法的高效性。同时,随着移动互联网的快速发展,如何从大量的移动应用中抽取有效的描述信息继而为移动用户提供有效准确的推荐策略变得尤为迫切。目前,移动应用市场对应用的推荐策略相对传统,大多是根据应用的单一属性进行推荐,如下载量、应用名称、应用分类等。针对推荐粒度过粗和推荐不准确的问题,本文提出了一种将内存云与LDA主题模型相结合的方法。该方法从应用的标签入手,构造应用的主题模型分布矩阵,利用该主题分布矩阵构建移动应用的相似度矩阵,同时提出了将移动应用相似度矩阵转化为可行的存储结构的方法。大量的实验证明了该方法的有效性,此外相比现有的应用市场推荐的应用其相似度提升130%。使用此方法解决了移动应用推荐过程中推荐粒度过粗的问题,从而使推荐结果更加准确。同时也证明了内存云加速机器学习的训练速度并提供线上应用热切换功能,使内存云与机器学习应用相结合成为了可能。