面对日益增加的数据量,近似查询通过处理尽可能少的数据来获得尽可能准确的结果,相对于精确查询,提高了数据查询的效率。在线聚集是近似查询中一种应用比较广泛的方法,但其使用效果会受到数据分布的影响,对于非均匀分布数据,可能导致较大的误差,从而需要处理全部或绝大部分数据才能得到较为准确的结果,尤其是当数据量很大时,运行时间无法保证有可靠的上界。而抽样方法可以通过降低数据的规模,从而保证运行时间在可接受范围之内。提出了一种基于分层抽样实现在线聚集的OASS方法,首先基于不同的查询列创建多个不同的分层抽样样本,满足最高精度的查询请求,并且降低了数据的规模,保证时间上界在可接受范围之内。对较低精度的查询请求,通过在线聚集技术,结果的精度可以随着等待时间的增加而提高,并且当用户满意时可以终止查询,另外通过指定持续查询每次处理的数据从每个分层中分别取得,相对原始在线聚集的随机抽样得到的近似结果的精度更高,误差更小,从而降低数据偏斜分布对近似结果的影响,减少了平均运行时间。对OASS方法的关键问题以及具体实现方案进行了详细的阐述,主要包括分层抽样的分层策略,基本域的匹配合并方法,利用倒排索引实现分层抽样的优化方案,持续查询方法的实现,在线聚集的数据访问策略,样本数据的存储方式以及对近似结果的计算与分析。最后通过模拟实验证明了该方法有效地降低了数据非均匀分布的影响。