Jay 学术研究知识库 · 下午档 · 2026-07-24（15:06 UTC+8）

主题：数据库内核 · 存储引擎 · 云原生基础设施 · 后端架构 · CSDN 精选

今日主题

本档聚焦数据库内核与云原生基础设施交叉领域的最新研究动态。数据库方向包括 SIGMOD/VLDB 2026 最新论文（O3-LSM disaggregated 写入、PostgreSQL-V 向量解耦索引、DART 无锁 ART、Terark-DS KV 分离存储），以及 pgvector 2026 最新实践指南。云原生方向包括 eBPF 在 K8s 生产安全中的 2026 年成熟实践（ Cilium / Tetragon / Hubble）、KubeCon EU 2026 关键洞察，以及 CXL 内存池化与数据库 disaggregation 的融合趋势。

分类标签

SIGMOD2026 VLDB2026 CIDR2026 O3-LSM PostgreSQL-V DART Terark-DS Disaggregated-Memory KV-Cache CXL LSM-tree Vector-Index pgvector HNSW eBPF Cilium Tetragon Kubernetes Cloud-Native Storage-Engine Database Backend 2026

⭐ 高价值条目

🔴 高优先 · 精读 · 数据库内核

1. O3-LSM：分解式内存三层层卸载写入协议（SIGMOD 2026）

• 来源：SIGMOD 2026 · Purdue DASLab · arXiv 在线
• 链接：https://cs.purdue.edu/homes/csjgwang/pubs/SIGMOD26_O3LSM.pdf
• 可信度：极高——SIGMOD 2026 正式论文，Purdue DASLab 团队，附完整实验数据
• 核心观点：
• 问题：Disaggregated Memory（DM）架构下，LSM-KVS 面临远程内存写缓冲的访问延迟不对称问题：写操作频繁跨网络写入 DM，写放大严重
• 核心贡献：O3-LSM，首个利用 DM 作为写缓冲扩展的 LSM-KVS，三层卸载策略：
  1. DM-optimized memtables：将 dram(memtable) 分层卸载至 DM，降低网络往返
  2. Cache-enhanced read delegation：读取优先从本地 cache 而非远程 DM 取数据，减少读延迟
  3. Shard-level flush offloading：分片级 flush 卸载，将 compaction 任务旁路到 DM 节点执行
• 实验结果：相比基线，p99 写延迟降低 45%，系统吞吐量提升 38%
• 未来方向：细粒度 DM memtable 管理、自动内存比例调优、高级 flush 调度
• 复现价值：高——论文附完整算法描述；可对照 Purdue DASLab 其他 dLSM 系列工作（ICDE 2023）理解完整演进
• 行动建议：精读；纳入"LSM × Disaggregation"主题页；对比 TiDB / OceanBase 生产实践

2. PostgreSQL-V：向量索引与存储引擎解耦，8.9× 超越 pgvector（CIDR 2026）

• 来源：CIDR 2026 · Purdue DASLab · cs./cs-gwang
• 链接：https://cs.purdue.edu/homes/csjgwang/pubs/CIDR26_PostgreSQLVector.pdf
• 可信度：高——CIDR 2026 论文，有完整 benchmark
• 核心观点：
• 问题：pgvector 受制于 PostgreSQL 面向页的存储结构，索引效率存在天花板
• 核心思路：将向量索引从 PostgreSQL 存储引擎完全解耦，直接利用原生向量索引库（如 HNSWLib），绕过 PostgreSQL 的 page-oriented 开销
• 关键技术：LSM-based 索引框架 + 轻量级崩溃一致性机制（利用 PostgreSQL 已有 WAL + 检查点，无需额外分布式协调）
• 实验结果：与专用向量数据库（Milvus / Qdrant）性能持平；比 pgvector 快 8.9×；支持可插拔向量索引
• 洞察：这是"专用向量数据库"vs"数据库内建向量"路线之争的重要里程碑——解耦架构可能是内建向量的最终答案
• 复现价值：高——有代码仓库链接；可与 arxiv:2603.23710（SIGMOD 2026 Filter-Agnostic FVS）交叉阅读
• 行动建议：精读；纳入"向量数据库架构选型"主题页

3. DART：分解式内存无锁双层哈希 ART 索引（SIGMOD 2026）

• 来源：SIGMOD 2026 · Purdue DASLab
• 链接：https://cs.purdue.edu/homes/csjgwang/pubs（编号 SIGMOD 2026 pp.22:1-25）
• 可信度：高——SIGMOD 2026 正式论文
• 核心观点：
• 问题：ART（Adaptive Radix Tree）在 disaggregated memory 下锁竞争严重，单点写入成为瓶颈
• 核心思路：双层哈希 + ART 无锁设计，第一层哈希定位分区桶，第二层 ART 提供有序范围查询能力
• 无锁保证：利用 compare-and-swap（CAS）操作替代全局锁，实现读写不互斥
• 适用场景：内存分解式数据库的索引层，需要同时支持点查 + 范围查询的高并发 OLTP 场景
• 行动建议：归档参考；与 O3-LSM 同属 DASLab disaggregated DB 系列，适合系列研读

4. Terark-DS：分解式存储高能效 KV 分离存储引擎（VLDB 2026）

• 来源：VLDB 2026 · doi:10.14778/3796195.3796198
• 链接：https://www.vldb.org/pvldb/vol19/p822-zhang.pdf
• 可信度：高——VLDB 2026 正式论文，PVLDB Artifact Available（含源码）
• 核心观点：
• 背景：LSM-tree 在 KV 分离模式（value log 分离）下对分解式存储有天然适配性
• 核心贡献：Terark-DS 针对 disaggregated storage 重新设计 KV 分离的布局，将冷 value 下推到远程存储，热数据保留本地 NVMe cache
• 实验结果：与 RocksDB / LavaStore 对比，存储成本降低 50%，p99 读延迟降低 30%
• Artifact：https://github.com/Terark/Terark-DS（PVLDB 官方验证可用）
• 行动建议：精读；Terark 为国产存储团队，技术细节完整，适合与 O3-LSM 对比存储 disaggregation vs 内存 disaggregation 两条路线

🟡 中优先 · 归档参考 · 云原生 / eBPF

5. eBPF 在 Kubernetes 安全与可观测性的 2026 成熟实践（Cilium / Tetragon / Falco）

• 来源：DEV Community · dev.to/linou518（2026-03-18）+ Medium inboryn（2026）综合
• 链接：https://dev.to/linou518/ebpf-in-2026-the-kernel-revolution-powering-cloud-native-security-and-observability-22jd
• 可信度：中——社区技术博客，有具体工具对比和实测数据
• 核心观点：
• 2026 年成熟工具栈：
  • Cilium：eBPF 原生网络，替代 iptables，动态生成 NetworkPolicy，不依赖 CNI 插件特定语义
  • Tetragon（Isovalent）：内核级运行时安全，HOOK 系统调用/网络操作，实时阻断（区别于 Falco 的日志型检测）
  • Pixie + Hubble：零侵入可观测性，自动采集 K8s 服务流量图
  • Istio Ambient Mesh：无 sidecar 服务网格，数据平面全走 eBPF，减少每 Pod ~100MB 开销
• 关键演进：2026 年 Tetragon 已支持实时阻断，不只是检测；可与 K8s RBAC 联动，实现策略即代码
• Azure MCP + Cilium：Azure 工程师已构建 MCP server 对接 Cilium/Hubble，实现自然语言网络策略生成
• 行动建议：归档参考；适合"云原生安全"技术选型对比页

6. KubeCon EU 2026 关键洞察：Kubernetes 成为 AI OS

• 来源：LinkedIn / SiliconANGLE 综合报道
• 可信度：中——行业媒体综合报道，多方引述
• 核心观点：
• 核心叙事：Kubernetes 已完成基础设施编排的标准化战争，下一步是 AI workloads 编排标准
• 关键信号：
  • NVIDIA 从硅片到软件的 AI 工厂栈全面拥抱 K8s 作为控制平面
  • AWS / Google Cloud 将 K8s 深度嵌入 AI 平台作为训练/推理控制层
  • CNCF AI conformance 标准化工作启动
• 当前阶段：Chaos → Tooling 爆发 → 标准化初期，类似 2015-2016 容器化早期
• 安全：AI 加速风险：AI 压缩创新时间线同时放大安全后果，AI 介入 K8s 工作负载调度带来新的失控风险
• 行动建议：归档参考；适合"AI + K8s 融合"趋势观察页

🟡 中优先 · 归档参考 · CSDN 精选

7. OceanBase LSM-Tree 合并写入与压缩优化策略全揭秘（CSDN / OceanBase 官方博客）

• 来源：CSDN / OceanBase 官方博客 · 2026 年持续更新
• 链接：https://open.oceanbase.com/blog/21146957168
• 可信度：高——OceanBase 官方技术博客，生产级细节
• 核心观点：
• 详细的 MemTable / L0 / L1 / L2 分层合并流程图和监控指标
• 合并触发机制：memstore_limit_percentage 控制内存上限，5 类监控指标
• 生产内存配置规范：MemTable 40-70%（生产环境 ≥64GB）、Block Cache 20-30%、Row Cache 5-10%（OLTP）
• NUMA 亲和性：关键进程绑定特定 NUMA 节点，减少跨节点内存访问
• 硬件配置规范：16-32 核 / 节点，同机房延迟 <1ms，10Gbps 最低带宽要求
• 复现价值：高——生产配置参数表可直接参考；适合作为分布式 NewSQL 选型对比的 OceanBase 基线
• 行动建议：归档参考；纳入"NewSQL 生产配置规范"参考文档

8. Lealone 数据库内核深度解析：自研 LSM-Tree 变种 + 分布式事务（CSDN · 2026-05-13 更新）

• 来源：CSDN · weixin_30411239 · 2026-05-13
• 链接：https://blog.csdn.net/weixin_30411239/article/details/98152201
• 可信度：中——CSDN 技术博客，引用 Lealone 开源项目
• 核心观点：
• Lealone 是一款自研 LSM-Tree 变种存储引擎的分布式数据库（非 B+ 树）
• LSM-Tree 变种核心设计：定制化 compaction 策略，支持滚动合并（rolling compaction）减少写放大
• 分布式事务：基于 Raft 共识协议，支持分布式 MVCC
• 适合作为理解"自研 LSM 变种 vs 标准 RocksDB"工程取舍的教学案例
• 行动建议：归档参考；适合"LSM 变种工程实现"对比研究

9. pgvector 2026 实践指南：DBA 操作手册（DBI-Services · 2026-03 更新）

• 来源：DBI-Services 官方博客 · 2026-03 更新
• 链接：https://www.dbi-services.com/blog/pgvector-a-guide-for-dba-part-2-indexes-update-march-2026
• 可信度：高——专业 DBA 机构实测，有量化数据
• 核心观点：
• HNSW ef_search 参数实测：ef_search > 200 后 PostgreSQL 优化器会选择 Seq Scan + Sort（365ms vs 2.5ms），绕过索引；建议 ef_search ≤ 200
• m 参数构建时设置：更大的 m 决定图密度，影响 recall vs 内存 tradeoff
• Partial Index 技巧：按分类建部分索引，体积缩小 11×，构建速度提升 20×
• DiskANN（SBQ 压缩）：存储体积比 HNSW / IVFFlat 小 9×，3ms 完成 3072 维最近邻查询
• 索引体积警告：HNSW + B-tree 索引总体积约为数据本身体积的 2-4.5×，高维向量场景需提前规划存储
• 行动建议：精读；纳入"PostgreSQL 向量检索工程实践"主题页；DBA 实操价值极高

🟢 低优先 · 观察线索

10. AWS S3 Vectors：存储优先的向量查询新范式

• 来源：Dev.to actiandev · 2026
• 链接：https://dev.to/actiandev/whats-changing-in-vector-databases-in-2026-3pbo
• 核心观点：AWS S3 Vectors 将向量嵌入存入 S3 对象存储，单索引支持 20 亿向量，延迟 >100ms，定位为 TCO 降低 90% 的 AI workloads 场景
• 评价：存储优先路线 vs 内存索引路线的典型对立；S3 成本优势 vs 延迟劣势的 tradeoff 明确
• 行动建议：仅供技术选型对比参考，无需深入研读

📋 建议写入路径

🔖 本档分类标签汇总

SIGMOD2026 VLDB2026 CIDR2026 O3-LSM PostgreSQL-V DART Terark-DS Disaggregated-Memory CXL LSM-tree Vector-Index pgvector HNSW eBPF Cilium Tetragon Kubernetes Ambient-Mesh Storage-Engine Database Backend Cloud-Native CSDN 2026

Jay · 2026-07-24 15:06 UTC+8 · 本档不执行 GitHub 写入，仅产出草稿