云存储有效地解决了当今时代大数据存储、访问的需求,开始为越来越多的用户提供服务。数据管理中,数据温度用于表示数据被访问的频率,通常称那些需要被计算节点频繁访问的在线类数据为热数据;而称访问频率较低、不需要实时访问的数据为冷数据。为了满足不同的存储服务要求,新一代的存储即服务(Storage As AService)云提供了不同的数据存储分层、分级选项,比如微软Azure云提供商提供了具有不同存储成本、访问延迟和访问成本特征的热访问层(简称热层)和冷访问层(简称冷层)的存储选择。在热层中存储数据会导致较高的存储成本,但同时会带来较低的访问成本和延迟,而冷层能够以较低的成本存储大量数据,从而提供较低的成本和较高的延迟。不同访问频率的数据存储到合适的层中能够很好地避免成本的浪费。一般来说,用户最初常将数据存储在热层,但是随着时间的消逝,数据的访问频率往往会发生变化,数据继续保持在热层的成本会相对存储在冷层较高。这时将数据转移到冷层,可以很好地利用冷层存储花费低的好处。然而,由于数据转移本身也是有费用的,如果用户将数据转移到冷层后数据访问再次变频繁,数据转移决策反而给用户带来了更多的花费。因此用户在进行转移决策时需要考虑数据的未来访问频率,而数据未来的长期访问频率很难精确预测。因此,本文在对双层云存储服务的定价标准与定价模型研究的基础上,对双层云存储服务成本进行建模,并提出了一个面向双层云存储服务的在线成本优化算法,来帮助云存储用户决定何时在冷层和热层之间转移数据对象以实现成本优化,而用户不需要事先知道未来的访问频率。本文从理论上证明了所提出的在线算法能够节省存储在双层云存储中的数据的存储成本。接下来,通过对哗哩哗哩上真实的视频数据实验以及大量的模拟实验,验证了我们提出的在线算法的有效性,并表明与总是将数据对象保持在某一层,它可以显著地节省成本。基于对那些访问频率变化较大的数据,我们提出的在线算法做出的决策有可能会出现错误。因此,我们进一步提出了基于预测的存储成本优化算法,通过实验表明,该算法进一步地节省了云存储成本。