由于分层结构的约束，基于日志结构合并（LSM）树的RocksDB键值存储系统面临着读取性能低下的问题。一种有效的解决方法是对热点数据进行主动缓存，但其面临两个挑战：一是如何在数据分布持续动态变化时对热点数据进行预测，二是如何将主动缓存机制与RocksDB存储结构衔接起来。针对这些挑战，基于预测分析技术，构建了由数据采集、系统交互、系统测试等部分组成的面向RocksDB键值系统的主动缓存框架，能够将热点数据缓存在LSM树的较低层级中；并对数据访问模式进行建模，设计并实现了基于增量学习的热点数据预测分析方法，能够有效减少存储介质的I/O访问次数。实验结果表明该机制能有效提升RocksDB在不同动态工作负载下的数据读取性能。

随着数据与系统规模的不断扩大，网络传输成为了键值存储系统的性能瓶颈。同时，远程直接内存访问（RDMA）技术能够支持高带宽和低时延的数据传输，为键值存储系统设计提供了新的思路。结合高性能网络中的RDMA技术，设计并实现了高性能、低CPU负载的键值存储系统Chequer；结合RDMA原语的特性，重新设计了键值存储系统的基本操作工作流程；并设计了基于线性探测的共享hash表，解决客户端缓存失效的问题以及提高hash命中率来减少客户端的读取轮数，进一步提高了系统的性能。在小规模集群上实现了Chequer系统，并通过实验验证了其性能。

分布式矩阵相乘是众多分布式机器学习、科学计算等应用中的关键操作，但其性能会受到系统中常见的落后节点的严重影响。最近研究者提出了基于喷泉码的编码矩阵相乘方法，能够充分利用落后节点的部分计算结果，从而大幅度减轻落后节点问题，但忽略了工作节点的存储开销。在考虑存储开销与计算完成时间之间的权衡关系的基础上，首先提出了面向异构工作节点的计算期限感知的存储优化问题；然后进一步通过理论分析，提出了基于期望近似的解决思路，并通过松弛将问题转化为凸优化问题以方便高效求解。仿真实验表明，在保证较大的任务成功率的情况下，所提方案的存储开销会随着任务期限的放宽迅速下降，并且该方案能够更大幅度降低编码带来的存储开销。也就是说，所提方案能够在保障整体计算在期限内大概率完成的前提下，大幅度降低总体的额外存储负载。