大数据处理模式下,数据密集型系统强调为用户提供可靠和高效的存储和计算服务。随着数据量的增长,数据处理框架完成了由计算为中心到以数据为中心的转变。为了提高数据中心的性能,当前大数据处理系统Hadoop使用非易失性存储器NVM（Non Volatile Memory）作为数据的存储载体。由于NVM存在耐写性差的特点,在进行大数据处理时NVM极易损坏,进一步导致系统中的存储数据丢失。本文从最小化数据丢失后的恢复时间出发,对当前的数据恢复机制进行优化,有效提高数据恢复的性能。同时考虑到数据恢复对于计算作业的影响,本文提出了一种副本感知的分阶段数据恢复策略,通过优化分布式文件系统的数据恢复机制以及感知系统的计算负载协调进行数据恢复的时机,以均衡数据恢复和计算作业的性能。本文主要包括如下两部分工作:（1）针对数据丢失后数据恢复较慢的问题,本文提出了基于复制因子调优的数据恢复优化策略。本文中通过对HDFS（Hadoop Distributed File System）的数据恢复机制进行研究,并进行了广泛的分析和实验,发现数据恢复过程中集群中的网络带宽状况会显著影响数据恢复性能。通过优化复制因子以最大化数据恢复的带宽申请,从而获得最佳的数据恢复性能。与原生HDFS的数据恢复机制相比,使用本文提出的复制因子的优化策略,可以提升71%的数据恢复性能。（2）针对计算作业因为数据丢失而导致执行效率降低的问题,本文提出了副本感知的分阶段数据恢复策略。本文将数据副本的丢失程度和数据恢复任务的请求等待时间作为数据恢复任务的依据,每个心跳周期内优先进行最紧迫的数据恢复任务,同时也防止数据恢复任务长时间等待而造成的饥饿现象。此外,本文将计算的负载作为进行恢复的依据之一,以解决计算服务与数据恢复任务并行存在的资源竞争现象。结果显示,与原生HDFS相比,本文提出的副本感知的分阶段数据恢复策略在存在数据丢失时,可以提高32.5%的计算作业的执行效率。