进入21世纪,互联网技术飞速发展,各种智能设备每日都在产生大量的非结构化数据。面对如此庞大的数据量,传统的存储区域网络(SAN)和网络附属存储(NAS)显然已经难以满足人们的需求。因此,对象存储(OBS)因其优异的性能和低廉的成本而进入了人们的视野,并有效地满足了广大用户对于大量数据的存储需求,为大数据存储问题提供了一种全新的解决方案。但是,目前在对象存储系统中,对于热点数据的处理并未发挥其最大的效用,对象存储系统的性能仍有很大的提升空间。为此,本文设计并实现了对象存储热点预测系统,利用存储对象的各项属性来对文件的访问热度进行预测,进而智能地调整文件的存储方式,实现对于热点文件的预测和管理,提高对象存储系统的性能,优化了用户的文件存取体验。为了实现系统核心的文件热度预测功能,文本设计了一种文件热度预测算法。传统的预测方法主要着眼于对文件历史访问记录的分析,却忽略了文件名称和访问量之间的内在联系。因此,本文利用集成学习的方式将文件历史访问记录和文件名语义融合起来,从而得到一个预测效果更好的模型。本算法的实现主要分为三个部分,首先,考虑到历史访问记录为时间序列数据,所以采用LSTM模型来对文件历史访问数据建模;接着,对于文件名中包含的语义信息,先通过访问量划分热度等级,再采用文本分类的方式分类得到文件热度等级,此部分使用TF-IDF加权word2vec的方式提取文本特征,并通过SVM分类器进行分类。再利用集成学习方法将前两个模型进行融合,进而得到预测效果更好的预测模型。最后通过实验验证,将LSTM模型用于对象存储系统的文件热度预测是可行的,且较其他模型表现出更好的预测效果,而将文件名语义融合进LSTM模型后,又对预测效果有了进一步的提升。在完成了核心算法的设计和实现后,本文对系统的功能性需求和非功能性需求进行了分析,根据需求分析的结果,阐述了系统的总体架构,对功能模块进行了划分,并设计了数据库的结构和系统接口,接着对系统的各个功能模块进行了详细的设计和实现。最后,对系统的功能进行了测试,经过测试本文所实现系统的各个功能皆已满足业务需求,可以正常使用。