大数据时代,数据规模急剧膨胀,巨大的存储压力导致分布式存储系统中节点失效状况频发,容错存储是一种保障数据可靠性的重要手段。目前,容错技术主要包括副本技术和纠删码技术,纠删码因其具有与副本相同的容错能力,且低于副本的存储开销而受到广泛关注。但现有纠删码的串行编解码算法瓶颈明显,不能合理利用系统资源,导致纠删码整体效率较低。且现有的多失效节点数据重构过程需要传输大量的数据,网络资源消耗较大,成为限制纠删码性能提升的主要因素。针对上述问题,本文通过研究编解码技术与重构过程算法,提出相应的改进方案,以此优化容错存储系统中数据的重构效率。论文的主要工作包括以下两个部分:(1)提出一种基于缓存队列的并行编解码算法PEDACQ(Parallel Encoding and Decoding Algorithm based on Cache Queue)。该算法针对串行编解码过程中并行化程度不高、I/O瓶颈限制编码效率等问题,通过维护读取缓存队列与写入缓存队列,并利用多线程技术,尽可能降低I/O瓶颈的影响,以提高编码计算的效率,进而加速编解码过程。最后通过实验与传统串行编解码方法对比,结果表明该算法具有较高的编解码速率。(2)提出一种基于网络拓扑的并行重构方法PRNT(Parallel Reconstruction based on Network Topology)。该方法针对多节点失效情况下,数据重构导致网络资源开销较大的问题,首先构建并行重构集合,判断每个失效节点所属的数据对象是否相同,将来自不同数据对象的失效节点加入到集合中,以保证集合中节点重构的并行度最大;然后针对集合中的每个失效节点,依据节点间的网络距离,提出一种基于网络拓扑的最优重构树算法。该算法首先以新生节点为根节点,存活节点为供应节点构建最小重构树,并基于再生码的思想,将尽可能多的供应节点加入到重构树中来降低传输数据总量,从而提高重构效率。实验通过与传统星型和树型重构方法进行对比,结果表明该方法有较低的重构时间,较高的重构成功率和数据可用性。