数据备份及同步是云存储服务重要的功能,因此云存储中的数据同步是一个重要的研究课题。在数据同步中,增量同步依靠网络传输带宽少的优势逐渐占据主要位置。增量同步虽然可以大大降低同步时的网络带宽,但是其在数据增量采集过程中会产生大量计算与磁盘I/O,同时面临着海量同步请求带来的诸如高并发、高负载、串行化和高延时的挑战。目前学术界针对数据增量同步以及备份服务器性能优化进行了很多的研究,但是云存储服务面临的这些挑战仍然没有较好的解决方案。聚焦云存储中云端与数据源端之间的数据增量同步,本文提出了相应的优化算法。本文的主要工作包括:1、围绕数据增量同步中增量采集效率低的问题,提出了两种适用于数据增量采集的可变长度数据分块算法。本文在理论层面探讨了数据分块算法与数据增量采集之间的关系,并提出了两种更加适合数据增量采集的基于小窗口匹配的数据分块算法:最小递增区间算法和区间奇偶校验算法。为了得到更好的数据增量采集效果,这两种算法通过牺牲分块长度的稳定性来获得较好的抗字节漂移能力,因为抗字节漂移能力会影响数据增量采集的精确性。两种算法的区别是寻找切点的方式不同,进而在性能表现上有一定的差异。实验结果表明,最小递增区间算法和区间奇偶校验算法在其他方面与对比算法保持相当的前提下,将采集到的增量数据大小减少为其他算法的20%～57%,其中增量数据包含所有的差异数据,有效地提高了增量数据的采集效率。2、围绕数据增量同步的通信流程中存在冗余步骤的问题,提出了基于影子数据的数据增量同步优化算法。在云存储场景中,数据的主动变化只会发生在客户端中,服务器并不会主动修改数据,因此数据增量同步算法的多次通信过程不全是必要的。本文提出的优化算法通过牺牲客户端少量的存储空间来降低服务器的计算负载和I/O负载,同时简化了数据增量同步的通信流程,并提出了对应的通信协议。具体地,本文设计了一种新的数据结构:影子数据,它存储在客户端,用来取代服务器中备份文件的分块摘要信息,因此在同步中可以省去服务器对备份文件的分块、计算摘要以及传递摘要信息的通信流程,这样有效降低了服务器的计算负载和I/O次数。在真实数据集上,将本文算法与前人所提的算法进行了对比,实验结果表明本文算法可以将服务器的CPU使用率降低80%左右,同时还有效地减少了增量同步的处理时间。3、围绕服务器面临的海量同步请求时高并发、高计算量以及高延时的问题,在前两个工作内容的基础上提出了基于分布式计算框架的同步请求处理算法。在云储存场景中,备份服务器面临海量请求带来的诸多挑战,比如高并发、高计算量以及服务的高延时问题。为此,本文提出了一种基于分布式计算框架的同步请求处理算法。具体地,本文首先将同步请求存储在消息中间件中,从而对同步请求的接收和处理解耦合,给处理同步请求提供并行的条件。然后,将同步请求的处理过程转换成计算任务提交给分布式计算框架来处理。实验结果表明本文所提算法比其他同类算法支持更高的并发度,在同步处理时间上减少了18%～82%,在传输数据量上减少了5.3%～90.9%。这两个范围分别对应所有测试结果中的最坏和最好的情况,而得到这些提升是以牺牲客户端部分存储空间为代价。