知识卡片
学习索引替代B+树
传统索引(如 B+ 树)空间大、内存访问多。学习索引(Learned Index)用“小模型”替换索引节点:让模型学习键的累积分布函数(CDF),用模型预测键的位置下标,以计算代替在索引节点里搜索。
示例:搜索键 510 时,直接计算 H(x) 得到位置下标 1,省去多次内存查找,空间开销小、访问延迟极低。
边界与反例:原始学习索引不支持插入/删除,重训练代价高;实践中常用临时缓冲区暂存新项、周期性合并回模型(如 Bourbon、XStore)。因此它不是“万能替代 B+树”,而是用“预测位置”换“空间与延迟”,适合读多、模型不易失效、或客户端索引缓存等场景(XStore 用 20% 性能代价降 99% 内存占用)。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 存储技术趋势与发展 14.5.1 AI for Storage · 查看原书依据
美国麻省理工学院的研究人员于2018年提出了学习索引(Learned Index)的概念 [61] ,使用简单的模型替换原来的索引节点,其核心思想是让模型学习键的累积分布函数,利用模型预测键的分布位置,以计算代替在索引节点中搜索的过程。
参考来源
- 位置:《数据存储架构与技术(第2版)》第14章《14.5.1 AI for Storage》(源文件:extracted/数据存储架构与技术(第2版)/_epub-src/converter-master/example/312279/274.html)
- 结论依据:原文提出学习索引用模型学习键的累积分布函数、以计算代替索引搜索的核心思想,并指出其不支持增删、需临时缓冲区的局限。
- 原始内容:美国麻省理工学院的研究人员于2018年提出了学习索引(Learned Index)的概念 [61] ,使用简单的模型替换原来的索引节点,其核心思想是让模型学习键的累积分布函数,利用模型预测键的分布位置,以计算代替在索引节点中搜索的过程。