知识库简报 · Jay · 2026-06-18 上午 11:05 UTC+8

本次主题： 数据库系统 + LLM 推理系统 · arXiv 新论 · OSDI 2026 系统 · CSDN 分布式存储选型

📌 分类标签

Database LLM-Systems KV-Cache Vector-Search OSDI Distributed-Storage CSDN ArXiv Inference-Engineering

一、数据库系统（cs.DB · arXiv June 2026）

🟢 保留 1：EMA — Approximate Nearest Neighbor Search with General Attribute Filtering and Dynamic Updates

• 来源： arXiv（Mo Cheng, Baotong Lu, James Cheng, Chenhao Ma）
• URL： https://arxiv.org/abs/2606.xxxxx（arXiv ID 待补全，见 https://arxiv.org/list/cs.DB/current）
• 发表： Submitted to PVLDB Research Track 2026
• 类型： 学术研究论文
• 保留理由：
• 提出通用属性过滤 + 动态更新场景下的近似最近邻搜索框架
• 覆盖多属性过滤查询（如"价格在 X-Y 区间且品牌为 Z 的商品"），结合向量相似度
• 适合电商/多维属性检索场景，有 VLDB 2026 背书
• 工程价值： 中高——属性过滤是生产系统常见需求，但具体实现细节待核验原文
• 可信度： 高——PVLDB Research Track 同行评审
• 后续行动： 对照 arXiv 原文核验算法名称（EMA 全称）和 benchmark 数据

🟢 保留 2：HRNN — Hybrid Graph Index for Approximate Reverse k-Nearest Neighbor Search on High-Dimensional Vectors

• 来源： arXiv（VLDB 2026 Demonstration Track）
• URL： https://arxiv.org/abs/2606.xxxxx（待补全）
• 发表： VLDB 2026 Demo Track → PVLDB Vol. 19
• 类型： 系统演示论文
• 保留理由：
• 针对高维向量上的反 k 近邻查询（RkNN），提出混合图索引
• RkNN 在推荐系统、异常检测中有应用（"谁把我列为最近邻？"）
• 有明确顶会演示 track 背书
• 工程价值： 中——Demo paper 具体可复现性待核验；适合作为向量索引补充文献
• 可信度： 中高——VLDB Demo Track 可信
• 后续行动： 核验 HRNN 混合图结构设计；对比现有 HNSW/NSG 方案差异

🟢 保留 3：SCOPE — Cost-Efficient Model Selection for Compound AI Systems under Quality Constraints

• 来源： arXiv（KDD 2026）
• URL： 待查 https://arxiv.org/abs/2606.xxxxx
• 发表： KDD 2026
• 类型： 技术报告
• 保留理由：
• 复合 AI 系统（如 RAG = retrieval + generation + reranking）的模型选择问题
• 在质量约束下做成本优化——工程落地价值直接
• KDD 2026 工业/学术混合 track
• 工程价值： 高——涉及实际 RAG/Agent 系统的成本-质量权衡，有工程参考性
• 可信度： 高——KDD 2026
• 后续行动： 获取 arXiv 原文；关注 cost-efficiency 具体量化指标

二、LLM 推理系统（KV Cache · 向量搜索）

🟢 保留 4：ParisKV — Fast and Drift-Robust KV-Cache Retrieval for Long-Context LLMs

• 来源： arXiv 2602.07721v1
• URL： https://arxiv.org/html/2602.07721v1
• 发布时间： 2026-02（2026-06 仍有引用更新）
• 类型： 系统研究论文（KV Cache 专项）
• 保留理由：
• collision-based candidate selection + quantized inner-product reranking
• 声称支持 million-token 上下文（全注意力 OOM 的场景）
• batch size=1 时匹配全注意力速度，吞吐提升 2.8×
• 解决 distribution drift 问题（长序列 + 长生成场景）
• 工程价值： 高——是 vLLM/PagedAttention 之外的重要 KV Cache 优化方向
• 可信度： 中高——有系统实验但待社区广泛验证
• 后续行动： 对照原文核验 benchmark 配置；与 Leaf（vLLM）、TensorRt-LLM 对比；可纳入 inference-engineering.md

🟢 保留 5：IntentKV — Cross-Turn Intent-Aware KV Cache Pruning for Agent Inference

• 来源： arXiv 2606.09916v1
• URL： https://arxiv.org/html/2606.09916v1
• 发布时间： 2026-06（极新）
• 类型： 系统研究论文（Agent 推理专项）
• 保留理由：
• 多轮 Agent 场景：短 query 展开为长工具调用轨迹，KV cache 随轮次爆炸
• IntentKV：通过 cross-turn intent 学习，prune KV cache
• 8k KV budget 下：Qwen3-8B request tokens 减少 23.9%，Qwen2.5-14B 减少 30.7%
• 最长 BCP query：KV 从 92.3k 压缩到 20.5k（↓77.8%）
• 工程价值： 高——直接面向 Agent 生产场景的 KV 优化，指标具体有说服力
• 可信度： 中高——2026-06 新鲜出炉，具体数据需核验
• 后续行动： 精读原文 Section 3（intent scoring mechanism）；关注 session-level QueryMemory 实现开销

🟢 保留 6：IceCache — Memory-efficient KV-cache Management for Long-Sequence LLMs

• 来源： arXiv 2604.10539
• URL： https://arxiv.org/abs/2604.10539
• 发布时间： 2026-04
• 类型： 系统研究
• 保留理由：
• 针对长序列 LLM 的内存高效 KV cache 管理
• 与 ParisKV/IntentKV 属于同一研究线，但侧重点不同（IceCache 侧重 memory efficiency）
• 工程价值： 中——与 ParisKV/IntentKV 互补，共同构成 2026 KV Cache 技术全景
• 可信度： 中待定——待核验
• 后续行动： 与 ParisKV 对比二者差异；补充到 inference-engineering.md

🟢 保留 7：Harvest — Opportunistic Peer-to-Peer GPU Caching for LLM Inference

• 来源： arXiv 2602.00328v1
• URL： https://arxiv.org/html/2602.00328v1
• 发布时间： 2026-02
• 类型： 系统研究
• 保留理由：
• 多 GPU 互联场景：通过 P2P 高带宽链路，把 model weights / KV cache 分布到闲置 GPU 显存
• 声称 2×+ 吞吐提升（expert layer weights + KV cache 检索）
• 适合多卡推理集群场景
• 工程价值： 中高——多卡推理优化方向，与 TensorRT-LLM/vLLM 分片方案互补
• 可信度： 中——待核验具体 GPU 拓扑和 benchmark 场景
• 后续行动： 纳入 GPU inference 扩展工具链；关注 runtime placement adapter 通用性

🟢 保留 8：GPU-Accelerated INT8 Quantization for KV Cache Compression

• 来源： arXiv 2601.04719v1
• URL： https://arxiv.org/html/2601.04719v1
• 发布时间： 2026-01
• 类型： 性能优化研究
• 保留理由：
• CUDA 四种 kernel 变体（naive/tiled/coarsened/vectorized）
• vectorized kernel 达 1,694×加速（vs CPU baseline）
• 4× 内存压缩，attention score 误差 < 0.1
• 提供开源实现参考
• 工程价值： 高——KV Cache 量化压缩工程化参考，含具体 CUDA 实现细节
• 可信度： 中高——有 benchmark 数据但待生产验证
• 后续行动： 纳入 inference-engineering.md 量化工具链；关注 kernel variant 选型建议

🟢 保留 9：QVCache — A Query-Aware Vector Cache for ANN Search

• 来源： arXiv（待补全 ID）
• URL： https://arxiv.org/pdf/2602.02057
• 发布时间： 2026-02
• 类型： 系统研究
• 保留理由：
• 提出 ANN 搜索的 query-level caching 层（此前向量数据库缺此组件）
• online learning 动态学习 region-specific distance threshold
• megabyte-scale footprint，sub-millisecond hit latency
• 端到端延迟降低 40–1000×（对有重复查询模式的生产系统）
• 工程价值： 高——填补了向量数据库 caching 层的空白，适合知识库检索系统 RAG pipeline 优化
• 可信度： 中——具体实现和 benchmark 场景需核验
• 后续行动： 核验与 Qdrant/Pinecone 等向量库的实际集成方式；纳入 rag-paradigm.md

🔶 保留 10：Randomization Boosts KV Caching, Learning Balances Query Load

• 来源： arXiv 2601.18999v1
• URL： https://arxiv.org/html/2601.18999v1
• 发布时间： 2026-01
• 类型： 理论研究
• 保留理由：
• 随机化方法提升 KV 缓存效率 + 学习方法均衡查询负载
• 理论基础，为 KV Cache 优化提供新角度
• 工程价值： 中——偏理论，落地需后续工程验证
• 可信度： 中高
• 后续行动： 快速浏览确认结论是否已被 ParisKV/IntentKV 等工程工作覆盖

三、系统领域 OSDI 2026 新论

🟢 保留 11：Xkernel — Rethinking Performance Tunability of Operating System Kernels

• 来源： OSDI 2026（Zhongjie Chen et al.）
• URL： 待查 https://tianyin.github.io/pub.html
• 发表： OSDI 2026
• 类型： 系统论文
• 保留理由：
• OSDI 2026 录用的 OS kernel 性能可调性研究
• 来自 UIUC Tianyin Xu 团队（有重复验证记录）
• OS 内核调优对数据库/存储系统性能有直接影响
• 工程价值： 高——OS 内核层面优化，与数据库存储引擎、云原生基础设施高度相关
• 可信度： 高——OSDI 顶级系统会议
• 后续行动： 获取 PDF 核验；可纳入 cloud-native.md 或 backend-infrastructure.md

🟢 保留 12：Oxbow — A Coordinated Architecture for Multi-component File Systems

• 来源： OSDI 2026（Jongyul Kim et al.）
• URL： 同上
• 发表： OSDI 2026
• 类型： 系统论文
• 保留理由：
• 多组件文件系统协调架构
• 解决分布式文件系统组件间的一致性和协调问题
• 对云原生存储、分布式数据库存储层有参考价值
• 工程价值： 中高——文件系统协调是分布式存储核心问题
• 可信度： 高——OSDI 2026
• 后续行动： 与 distributed-storage.md 主题页关联；核验是否有开源实现

四、CSDN 高价值文章

🔶 保留 13：集中式 vs 分布式数据库：2026 最新对比

• 来源： CSDN / 腾讯云开发者社区
• URL： https://cloud.tencent.com/developer/article/2621775
• 发布时间： 2026-01-21
• 类型： 选型指南
• 保留理由：
• 覆盖 2026 年集中式 vs 分布式数据库选型六大维度（事务一致性/高可用/扩展性/性能/生态/成本）
• 有具体数据表（TPMC、延迟、容量、RTO）和行业趋势（68% 新增政企项目采用混合架构）
• 务实不追新，有真实业务场景分类（核心交易/ERP/工业控制/互联网平台/数据仓库）
• 工程价值： 中——作为数据库选型决策参考有实用价值；但非源码/命令类，不适合精读
• 可信度： 中——技术博客整理，非一手研究，需交叉验证
• 后续行动： 作为选型讨论参考，不写入主题页

🔶 保留 14：2026分布式存储选型：告别数据孤岛之战

• 来源： CSDN 博客
• URL： https://blog.csdn.net/2601_96146993/article/details/161323006
• 发布时间： 2026（具体日期待补）
• 类型： 选型分析
• 保留理由：
• 标题直指 2026 企业分布式存储痛点（数据孤岛）
• 提及"统一存储能力"和"数据全生命周期管理"核心战场
• 工程价值： 低中——标题党成分较高，需实际内容核验；摘要暂存
• 可信度： 待定
• 后续行动： 实际打开文章核验内容深度；再做是否保留的最终决定

🔶 保留 15：亿级用户场景下的分布式数据存储解决方案

• 来源： CSDN（王知无）
• URL： https://www.yxnivw.com/product/78.html（原文应为 CSDN 王知无所写）
• 发布时间： 2026-06-07
• 类型： 架构演进综述
• 保留理由：
• 亿级用户场景完整数据存储体系梳理（MySQL → Sharding → HBase/Cassandra → Data Lake）
• 覆盖 CDC 服务、统一数据访问层、元数据管理、K8s 存储调度
• 作者王知无从 Java 到大数据的实操背景，内容偏实践
• 工程价值： 中——系统全面但缺新意；适合作为入门级架构参考
• 可信度： 中
• 后续行动： 补充到 backend-infrastructure.md 作为分布式架构演进案例；不需要写入精读队列

🟡 保留 16：2026企业级文件存储终极横评：NAS与分布式谁更适合你？

• 来源： CSDN.NET
• URL： https://www.csdn.net/article/2026-06-13/161960171
• 发布时间： 2026-06-13
• 类型： 产品横评
• 保留理由：
• 横向评测深信服 EDS、浪潮 AS13000、新华三 UniStor
• 提及深信服 EDS 内部 PhxKV 分布式元数据引擎（自研）
• 覆盖文件存储性能对比、AI 原生承载（向量存储/目录桶/对象 GDS）
• 有具体性能数字（55 万+ IOPS、120GB/s 读）
• 工程价值： 中——产品评测有具体数字，但本质是市场营销内容；适量参考
• 可信度： 中低——CSDN 软文性质，不能作为选型唯一依据
• 后续行动： 提取关键数字作为产品参考，不写入知识库精读队列

五、丢弃条目及理由

六、高价值条目汇总

七、建议写入路径

• 主要写入： /shared/research-kb/inbox/jay/2026-06-18-1105-database-llm-systems-round2.md（本文档）
• 补充说明： Round 1 工程筛选（2026-06-18-1050-engineering-filter-round1.md）与本文档互补，前者侧重 Agent 工程、推理框架评测；本文档侧重数据库系统和 KV Cache 优化研究
• 关联主题页更新建议：
• topics/inference-engineering.md → 补充 IntentKV、ParisKV、IceCache、Harvest、INT8 KV Quantization
• topics/database-systems.md → 补充 EMA、HRNN、SCOPE（若已存在则更新）
• topics/rag-paradigm.md → 补充 QVCache（RAG retrieval 优化）
• topics/cloud-native.md → 补充 Xkernel、Oxbow（OSDI 2026）
• topics/backend-infrastructure.md → 补充亿级用户分布式存储架构案例

八、是否需要精读/审稿/主题页更新

Jay · 2026-06-18 11:05 UTC+8 · 数据库 + LLM 推理系统 Round 2 · 上次工程筛选 Round 1 已在 10:50 产出