随着社交网络、物联网、电子商务等的应用和普及,当今数据发生爆炸性增长,在线聚集由于通过采样得到近似解,避免扫描整张表,提高了数据库中聚集操作的执行效率,因此被引入大数据处理平台。但是目前的研究仅在Spark平台实现在线聚集系统未考虑优化,导致基于Spark平台实现的在线聚集系统存在对倾斜数据执行效率不高、连接操作成为性能瓶颈的问题。为解决这些问题,提高Spark中在线聚集的整体执行性能,本文对在线聚集中上述问题进行研究。对于在线聚集中的倾斜数据处理问题,本文综合考虑历史查询中属性列的频率、倾斜程度、分层样本的存储负载等条件建立混合整数线性规划模型选择合适的属性列构建分层样本,之后基于分层样本设计单表查询算法,给出基于分层样本抽样的区间估计公式,有效提高在线聚集对倾斜数据的查询效率。对于在线聚集中的多表连接问题,本文使用索引减少采样次数。首先综合考虑连接属性的频率、索引的存储负载等条件建立最优化模型选择合适的连接属性建立索引。根据索引设计在线聚集中两表连接查询算法Index Ripple Join,并给出了Index Ripple Join的区间估计公式,使得估计结果满足无偏性。之后本文研究将两表连接扩展到多表连接,根据连接条件以及索引将多表连接抽象为一个Join连接图,基于Join连接图得到Join连接树集合从而生成多表连接执行计划。针对在线聚集中的嵌套查询问题,本文实现了G-OLA中的嵌套查询算法,并结合倾斜数据处理和多表连接优化,提高在线聚集中嵌套查询执行效率。本文基于大数据平台Spark,结合Hive,设计并开发了在线聚集原型系统SOLA,并在曙光集群部署和测试。测试结果表明本文提出的模型、算法相较于已有算法能够显著减少采样次数,增加执行效率,为在线聚集领域的技术发展做出了积极的尝试。