近日，第23届文件和存储技术会议（The 23rd USENIX Conference on File and Storage Technologies)录用结果揭晓，实验室2022级硕士生冯昊（导师姚德中副教授）和2022级博士生田冰（导师刘海坤教授）的论文分别被录用。

冯昊的论文题目为“AegonKV: A High Bandwidth, Low Tail Latency, and Low Storage Cost KV-Separated LSM Store with SmartSSD-based GC Offloading”。KV分离架构因能显著缓解传统LSM树（Log-Structured Merge Tree）的写放大问题而受到广泛关注。但是，KV分离会增加值区域的管理开销，尤其是用于减少冗余空间占用的垃圾回收（GC，Garbage Collection）操作。为此很多工作都在努力优化KV分离的GC机制。然而，实验分析表明，当前基于CPU和I/O开销权衡的优化方案无法同时满足KV分离系统在吞吐率、尾部延迟和空间占用三个方面的性能要求，这一局限性阻碍了这些系统在真实生产环境中的应用。文章提出的AegonKV是一种 “一石三鸟”的解决方案，能全面优化KV分离系统的吞吐率、尾部延迟和空间使用率。AegonKV首先提出了一种基于SmartSSD（智能固态硬盘）的GC卸载机制，在不与前台LSM树竞争带宽或CPU的情况下实现异步GC操作。此外，AegonKV还设计了对卸载友好的数据结构和软硬件协同处理逻辑来应对GC卸载的挑战。实验评估结果表明，与现有的KV分离系统相比，AegonKV实现了1.28-3.3倍的吞吐率提升，显著减少了37%-66%的尾延迟和15%-85%的空间开销。

田冰的论文题目为“Towards High-throughput and Low-latency Billion-scale Vector Search via CPU/GPU Collaborative Filtering and Re-ranking”。高维向量的近似最近邻搜索(Approximate Nearest Neighbor Search, ANNS)已经成为数据库和人工智能基础设施的重要组成部分。规模不断增长的向量数据集在性能、成本和准确性方面对ANNS提出了巨大挑战。现有的ANNS系统都无法同时解决这些问题。为此，文章提出了FusionANNS，一种使用SSDs和入门级的GPU实现的高吞吐、低延迟和低成本的大规模向量检索系统。该系统的核心思想是CPU/GPU的协同过滤和重排序机制，并基于此提出了一种分布在GPU/CPU/SSD上的多层级索引，能够显著减少CPUs和GPU之间的数据传输；提出了启发式重排序机制，以消除重排序过程不必要的I/O和计算；提出了冗余感知的I/O去重，基于优化的数据布局进一步提升了I/O效率。对标最先进的基于SSD的系统SPANN 和 GPU 加速的内存系统RUMMY，FusionANNS 在保证低延迟和高精度的同时，分别最高可提高 13.1 倍和 4.9 倍的QPS，成本效率可提高 8.8 倍和 6.8 倍。

FAST是存储系统领域的顶级会议，也是中国计算机学会（CCF）推荐的A类会议。该会议一直被认为是存储系统领域水平最高的会议之一，在全球范围内享有盛誉。此次FAST’25会议收到投稿167篇，录用率约为21.5%。

（通讯员：冯昊、田冰）