Aphasia

Cogito ergo sum.

SIGMOD 2026 今年 May 31 - June 05, 2026 在 Bengaluru, India 举行。每年都会抽时间看看最新的研究进展，看看业界的动态及趋势。今年 Industry Track 共 29 篇论文，参与方包括 AWS、Microsoft、Google、Snowflake、Databricks、Oracle、IBM、Adobe、Dynatrace、Neo4j，以及阿里巴巴、字节跳动、腾讯、美团等国内公司。下面按方向整理为 7 个主题，每篇附上下载链接和个人的快速分析。

概览

主题篇数代表论文
1. Production Database / Cloud-Native DB / Storage7CloudJump III、Aurora Limitless、TDSQL-Boundless、Twenty Years of Bigtable
2. Query Engine / OLAP / Data Warehouse / AISQL6Learned Query Optimizer (LOAM)、Cortex AISQL、ByteHouse、Enzyme
3. Recommendation / Feature Engineering / Shuffle / ML Data Infrastructure3TokaDB、NebulaSQL、FuxiShuffle
4. Graph / Consensus / Blockchain4Poseidon (Neptune Analytics)、RIOT、Fabric-X
5. Vector / Multimodal / AI Data Platform3LindormVector、ConDABench
6. Observability / AIOps / Code-to-SQL / Migration3SQLens、Root-Cause SQL Diagnosis
7. Time Series / Compression / Caching / Cloud Storage Resource Pooling3LakeMem、CLAPS

1. Production Database / Cloud-Native DB / Storage

#Paper下载链接主要内容分析
1ByteGraph-Dione: An Adaptive Dual-Format Graph Engine with Hotspot Awareness and Transaction Efficiency for Production-Scale WorkloadsACM PDF / ACM DOIByteDance 的生产级图数据库/图引擎论文。关键词是 dual-format graph engine、hotspot awareness、transaction efficiency。从题目看，它关注图系统中常见的冲突：图遍历/分析希望顺序访问 adjacency list，而事务更新又需要高并发和低锁冲突。Dione 很可能通过冷热点感知，在不同图数据访问模式之间自适应切换存储/执行格式，以兼顾 OLTP-style 图更新和 production-scale 图查询。
9Scalable Leader Leases For Multi Consensus Groups in CockroachDBACM PDF / ACM DOICockroachDB 的多 Raft range / 多 consensus group 下 leader lease 扩展性问题。核心是如何让读请求在不走 quorum 的情况下安全服务，同时避免 lease 管理本身成为大规模 range 数量下的瓶颈。对分布式数据库工程师来说，它对应的是 read lease、leaseholder、range movement、failover correctness、stale read safety 这几个底层主题。
11Scalable and Resilient Storage Tier for Azure SQL HyperscaleACM PDF / ACM DOIAzure SQL Hyperscale 的存储层设计。Hyperscale 这类系统的核心问题是把传统单机数据库的 page/log/storage path 拆成可扩展、可恢复、可独立扩容的云原生存储层。重点应包括 page server、log service、remote storage、redo/recovery、failover、replica catch-up、tail latency 和弹性扩展。
12CloudJump III: Optimizing Cloud Databases for Tiered Storage作者版 PDF / ACM PDFAlibaba Cloud 的 CloudJump 第三代，重点是把 page-level tiered storage 集成进数据库内核，而不是放在 block/filesystem 层。论文明确说它在 buffer manager 的 eviction/flush 等控制点做 engine-aware placement，在 NVMe、远程块存储、对象存储之间做数据分层，并与 recovery/snapshot 协议协同，目标是降低 fast tier footprint，同时维持接近本地 SSD 的吞吐和稳定 tail latency。这个方向非常值得数据库内核工程师看，因为它说明 cloud-native DB 的 tiering 不能只看 I/O trace，必须理解 page type、page age、table identity、buffer-pool residency、backup/recovery 语义。
18Aurora PostgreSQL Limitless Database: Building a Highly Scalable OLTP Database作者版 PDF / ACM PDFAWS Aurora PostgreSQL Limitless 的 scale-out OLTP 设计。论文摘要强调目标是让 PostgreSQL 兼容数据库在不需要复杂应用分片的情况下扩展到 millions TPS 和 petabytes data。主要内容应围绕 shard/routing、distributed transaction、global metadata、query pushdown、elastic scale-out、PostgreSQL compatibility，以及如何把 Aurora 原有 shared-storage 架构扩展到多 writer/multi-shard OLTP。
19TDSQL-Boundless: A Distributed Database System for Large-scale Heterogeneous Multi-Table WorkloadsACM PDF / ACM DOITencent TDSQL 的分布式数据库系统论文。关键词是 large-scale heterogeneous multi-table workloads，说明它不只是单表分片 OLTP，而是面向多表、多业务形态、不同访问模式混合的生产负载。重点大概率在自动分区/路由、跨分片事务、多表 join/查询下推、异构 workload 隔离和大规模运维。
24Twenty Years of BigtableACM PDF / ACM DOIGoogle Bigtable 20 年回顾。原始 Bigtable 是大规模结构化数据存储系统，服务 web indexing、Google Earth、Google Finance 等异构需求；这篇应该总结 Bigtable 从论文系统到长期生产系统的演进，包括 tablet、LSM/SSTable、metadata、compaction、replication、multi-tenant、operability、SLO 和生态影响。对系统工程师最有价值的是“长期生产系统如何演化”：接口稳定、内部不断重构。

2. Query Engine / OLAP / Data Warehouse / AISQL

#Paper下载链接主要内容分析
2Learned Query Optimizer in Alibaba MaxCompute: Challenges, Analysis, and SolutionsarXiv PDF / ACM PDF这篇非常适合 Query Optimizer 工程师精读。论文提出 LOAM，指出 learned optimizer 在真实分布式多租户数仓中面临四类生产挑战：动态执行环境导致 cost variance、缺失输入统计信息、传统模型 refinement 不现实、不同 workload 收益不确定。LOAM 通过 statistics-free plan encoding、历史执行信息、环境编码、domain adaptation 和 project selector，让 learned optimizer 更可部署；生产结果最高带来约 30% CPU cost savings。
3Bitmap Filtering in the Fabric Data WarehouseACM PDF / ACM DOIMicrosoft Fabric Data Warehouse 中的 bitmap filtering。Bitmap filter 本质是运行时过滤/半连接过滤的一种工程化形态，核心价值是在 join/build side 产生 compact bitmap，然后尽早过滤 probe/scan side，减少网络、I/O 和 join 输入规模。对 MPP/云数仓来说，难点不是算法本身，而是 optimizer 何时插入 filter、bitmap 如何分发、如何和列存 scan/vectorized execution/runtime filter 结合，以及如何避免 false positive/构建成本超过收益。
5CoddSpeed: Hardware Accelerated Query Processing in Microsoft FabricACM PDF / ACM DOIMicrosoft Fabric 的硬件加速查询处理。重点应是把部分关系算子或数据路径映射到异构硬件/加速器上，并与 Fabric 的 query optimizer、execution engine、scheduler 和 fallback path 集成。真正难点在系统层：哪些算子值得 offload、host-device 数据移动是否抵消收益、如何做 cost model、如何保持 SQL 语义兼容、如何在生产环境做多租户隔离和资源调度。
8ByteHouse: ByteDance’s Cloud-Native Data Warehouse for Real-Time Multimodal Data AnalyticsarXiv PDF / ACM PDFByteDance ByteHouse 的云原生实时多模态数仓。论文摘要提到统一表引擎、两层逻辑抽象、物理一致布局、SSD-backed cluster-scale cache CrossCache、虚拟文件系统 NexusFS、分析/批/增量执行模式、hybrid query 优化、tiered vector index 上的 runtime filtering，以及基于历史执行轨迹和 AI-assisted plan selection 的优化器。它代表 OLAP 向 structured + vector + multimodal retrieval + incremental computation 融合。
22Cortex AISQL: A Production SQL Engine for Unstructured DataarXiv PDF / ACM PDFSnowflake Cortex AISQL 生产系统论文，强烈建议精读。它把 AI semantic operations 作为 SQL 原生算子处理，问题是 AI inference cost/latency/selectivity 在优化阶段都很难估计。论文提出 AI-aware query optimization，把 LLM cost 作为优化目标；adaptive model cascades，用便宜 proxy model 处理大部分样本、把不确定样本交给强模型；semantic join rewriting，把某些 O(|L|×|R|) 的语义 join 改写成分类任务，论文报告 2–8×、2–6×、15–70× 等级的加速。
27Enzyme: Incremental View Maintenance With Spark Declarative PipelinesarXiv PDF / ACM PDFDatabricks Enzyme，Spark Declarative Pipelines 背后的 IVM engine。核心是让 materialized views 成为数据 pipeline 的一等构件，并自动做 refresh planning，让用户关注业务逻辑，而不是手写增量维护策略。重点应包括 SQL operator coverage、增量 refresh plan、fallback 到 full refresh、pipeline DAG、状态管理、正确性和成本模型。对 Spark/MaxCompute/StarRocks 工程师来说，这对应“把 ETL/ELT 从 batch recompute 推向 optimizer-driven incremental maintenance”。

3. Recommendation / Feature Engineering / Shuffle / ML Data Infrastructure

#Paper下载链接主要内容分析
6TokaDB: A Unified Storage Engine for Training-Serving Data Management in Large Recommendation ModelsACM PDF / ACM DOIByteDance/HUST 的推荐系统存储引擎。题目里的 training-serving data management 很关键：大规模推荐模型既要离线训练读大规模历史样本/特征，又要在线 serving 读低延迟特征/embedding，还要处理 freshness、一致性、版本、冷热分层、写入放大等问题。TokaDB 的价值应该在于统一训练和 serving 的数据底座，减少双系统同步和数据不一致。
7NebulaSQL: A Large-scale Feature Computation System for Online RecommendationACM PDF / ACM DOIAlibaba 的在线推荐特征计算系统。它把特征工程抽象到 SQL/SQL-like 体系中，面向在线推荐的低延迟、高吞吐、实时/准实时更新。工程重点应包括特征表达语言、UDF、离线在线一致性、增量更新、状态管理、custom optimization rules 和推荐场景下的 SLA 保障。
14FuxiShuffle: An Adaptive and Resilient Shuffle Service for Distributed Data Processing on Alibaba CloudarXiv PDF / ACM PDFMaxCompute/Alibaba Cloud 的生产 shuffle service。论文指出 shuffle 常因小随机 I/O、网络竞争、动态 job 特征和失败恢复成为瓶颈。FuxiShuffle 的核心设计包括：基于运行时信息动态选择 shuffle mode，progress-aware scheduling 下游 worker，为每个 shuffle chunk 自动选择 backup 策略，多副本 failover，精细内存管理，incremental recovery 避免失败后丢失大量进度。它本质上是在做 data exchange operator 的服务化、弹性化和容错化。

4. Graph / Consensus / Blockchain

#Paper下载链接主要内容分析
4Poseidon: A OneGraph Engine作者版 PDF / arXiv PDF / ACM PDFAWS Neptune Analytics 背后的 Poseidon graph engine。论文摘要说它支持 openCypher，并扩展语法以支持 RDF/LPG OneGraph 互操作；覆盖图 pattern matching、variable-length paths、aggregation、graph algorithm invocation、dynamic graph transaction。系统层亮点包括 lock-free adjacency list maintenance、secondary succinct indices、partitioned heaps、cost-based optimizer statistics、logical log durability。它是图数据库从“存储+遍历”走向“一体化 graph query + graph analytics + transactions”的代表。
15G2+D: A High Performance Distributed Graph Mining SystemACM PDF / ACM DOIByteDance 的分布式图挖掘系统。图挖掘和普通图遍历不同，常见任务包括 pattern mining、motif/subgraph enumeration、community/fraud/recommendation 相关分析，难点是中间状态爆炸、负载倾斜、通信量大和高阶 pattern 组合复杂。G2+D 大概率围绕分布式 partition、work stealing/负载均衡、剪枝、压缩表示和生产数据规模展开。
21Fabric-X: Scaling Hyperledger Fabric for Asset ExchangeIACR ePrint / ACM PDFIBM Research 的 Hyperledger Fabric 扩展系统，面向 regulated asset exchange。ePrint 版本标题强调重新设计 Hyperledger Fabric architecture，以支持高吞吐的受监管资产交换应用。主要方向应包括交易 pipeline、ordering、validation、endorsement、state access、隐私/监管约束和吞吐瓶颈消除。对数据库视角来说，它和 deterministic transaction processing、serializability、replicated log、asset state machine 很接近。
23RIOT: Replicated Independently-Ordered TransactionsACM PDF / ACM DOINeo4j/Nvidia/UC Berkeley 的 replicated transaction/consensus 论文。作者主页摘要说传统 Raft/Paxos 通过单 leader 和 totally ordered log 做状态机复制，简单但引入顺序瓶颈；RIOT 用 DAG entries 上的 decentralized coordination 取代中心化 leader/log replication。它的关键问题是：如果事务之间不冲突，能否独立排序、并行复制、并行提交，同时保持等价的可串行化/一致性语义。

5. Vector / Multimodal / AI Data Platform

#Paper下载链接主要内容分析
17LindormVector: A Distributed Vector Engine on a Cloud-Native Multi-Model NoSQL DatabaseACM PDF / ACM DOIAlibaba Cloud Lindorm 上的分布式向量引擎。官方产品文档显示 Lindorm vector engine 支持大规模向量存储、索引和检索，并支持多种索引算法、距离函数，以及 full-text/vector integrated retrieval，用于 RAG 场景。论文重点应在如何把 vector search 纳入 multi-model NoSQL：分片、索引构建、增量更新、过滤条件、全文+向量混合检索、成本和资源隔离。
13Building, Serving, and Growing a Conversational AI Assistant for Enterprise作者版 PDF / ACM PDFAdobe 的企业级 Conversational AI Assistant 生产经验论文。重点不是单纯模型能力，而是企业场景中的构建、服务和增长：知识接入、权限、安全、评估、incident prevention、用户反馈、在线 serving、质量监控和组织内推广。它和数据库/数据平台的关系在于：企业 AI assistant 最终必须接企业数据、权限、审计和可观测性。
28ConDABench: Interactive Evaluation of Language Models for Data AnalysisarXiv PDF / Microsoft PDF / ACM PDFMicrosoft 的 conversational data analysis benchmark。论文指出真实数据分析任务目标常常不完整、数据也不干净，需要多轮交互来澄清意图；现有 benchmark 很难评估这种交互式能力。ConDABench 通过 multi-agent workflow 生成 1,420 个 conversational data analysis problems，并提供 evaluation harness。结论很有意思：新模型能解决更多实例，但不一定更擅长需要长期、多轮、持续协作的任务。

6. Observability / AIOps / Code-to-SQL / Migration

#Paper下载链接主要内容分析
16Learned Root-Cause SQL Prioritization and Diagnosis for Complex Database Performance IssuesACM PDF / ACM DOIMeituan/ECNU 的数据库性能诊断论文。题目说明它关注复杂性能问题下的 root-cause SQL prioritization：在海量 SQL、指标、慢查询、实例负载、资源竞争中，识别真正导致性能异常的 SQL，并给出诊断优先级。这个方向对云数据库/AIOps 很关键，因为生产问题通常不是“找一个慢 SQL”，而是从 workload-level degradation 中定位 causality 和 priority。
20SQLens: Continuous Code–to–SQL Visibility in the Wild作者版 PDF / ACM PDFAlibaba 的 code-to-SQL visibility 系统。论文摘要非常明确：现代服务中的 SQL 被语言、框架、ORM、配置和抽象层隐藏，导致代码变更和 SQL 行为之间的联系丢失，带来性能回退、安全风险和诊断成本。SQLens 结合静态程序分析和 LLM-guided reasoning，从数据库 emission sites 出发，让 cooperative agents 沿 control/data flow 重建 SQL construction 和 parameter binding，再用历史 SQL logs 反向验证，形成 versioned knowledge layer，支持 code-to-SQL lookup 和 SQL-to-code attribution。
25From JSON to Duality: Automated Application Migration from Document to Relational DatabasesACM PDF / ACM DOIOracle 的 JSON/document 到 relational/duality migration 论文。这里的 Duality 大概率指 Oracle JSON Relational Duality：让开发者以 JSON document 方式访问，同时底层保持 relational schema、约束和事务。论文重点应是自动分析 JSON 文档结构和应用访问模式，生成 duality views/schema/mapping，并降低从 document database 到关系数据库迁移的工程成本。

7. Time Series / Compression / Caching / Cloud Storage Resource Pooling

#Paper下载链接主要内容分析
10CLAPS: A Load-Aware Proxy Resource Pooling System for Reducing Resource Redundancy in Large-Scale Cloud StorageACM PDF / ACM DOIByteDance/浙江大学的大规模云存储 proxy resource pooling。云存储系统里 proxy 层通常为了峰值和隔离而过度 provision，造成资源冗余。CLAPS 的方向是 load-aware pooling：在多租户/多业务负载下动态复用 proxy 资源，同时保证隔离、tail latency 和故障域控制。这个问题和数据库连接池、shuffle service、gateway/cache tier 的资源池化非常类似。
26Analyzing and Improving Floating-Point Compression for Application Monitoring Time SeriesACM PDF / ACM DOIDynatrace 的应用监控时间序列浮点压缩。监控数据有高写入、长保留、查询聚合频繁、浮点值变化模式复杂等特点。论文方向是分析现有 floating-point compression 在真实 APM 时间序列上的表现，并改进压缩策略；公开摘要关键词显示其关注 lossless compression、floating-point compression、lightweight compression、heuristic algorithm selection。
29LakeMem: An Elastic Disaggregated-Memory Caching Layer for Analytical Processing Systems作者版 PDF / ACM PDFAlibaba Cloud/Xiamen University 的 lakehouse 分析缓存系统。论文指出 shared-storage + open table format 上的分析负载经常是 memory-bound 的：引擎既要缓存大 base table 保吞吐，又要维护大量中间状态（hash table、shuffle buffer），disaggregated memory（DM）因此成为自然的弹性容量选择。但现有 DM cache 大多是 byte-uniform 的，忽略了 shared base-table 数据与 node-private 中间数据之间的语义不对称。LakeMem 采用 dual-path 架构：PrivateCache 用 client-centric 模型低延迟服务私有中间数据，SharedCache 用 server-coordinated、globally coherent 的方式服务共享 base-table 数据以最大化复用，并配合动态 rebalancing 机制在两条路径之间自适应分配内存。原型基于 DuckDB 实现，在 DuckLake/smallpond 上评测，memory-bound 查询相比 DRAM-SSD hybrid cache 提速 2.0–5.9×。

趋势观察

把 29 篇放在一起看，有几个比较清晰的行业信号：

  1. AI 与 SQL 引擎双向融合。一方面是 AI4DB：learned optimizer 开始解决生产落地问题（LOAM）、AI-assisted plan selection（ByteHouse）、LLM 参与根因诊断（Meituan）和 code-to-SQL 归因（SQLens）；另一方面是 DB4AI：把 LLM 推理变成 SQL 算子并用查询优化手段降本（Cortex AISQL），以及面向推荐/训练特征的数据底座（TokaDB、NebulaSQL）。Cortex AISQL 的 AI-aware optimization 和 model cascade 可能是今年最值得跟进的方向。

  2. 云原生分离架构走向“细粒度资源解耦”。从存储层解耦（Hyperscale），到内核级 page 分层（CloudJump III），再到内存解耦缓存（LakeMem）、proxy 资源池化（CLAPS）、shuffle 服务化（FuxiShuffle）——存算分离之后，分离的对象正在延伸到内存、中间状态和接入层。

  3. Scale-out OLTP 成为头部云厂商的标配叙事。Aurora Limitless 和 TDSQL-Boundless 都在讲“对应用透明的分布式扩展”（免分片、多表异构负载），CockroachDB 则在打磨多 consensus group 下的 lease 扩展性。shared-storage 与 scale-out 两条路线正在互相靠拢。

  4. 向量/多模态被既有引擎吸收，而不是独立成类。LindormVector 把向量检索做进 multi-model NoSQL，ByteHouse 把向量/多模态做进 OLAP，Poseidon 用 OneGraph 统一 RDF/LPG。独立向量数据库的故事在工业界论文里反而少见。

  5. 声明式 pipeline + 增量维护。Enzyme 让物化视图成为 pipeline 一等构件、由优化器自动决定增量 refresh，这个思路（optimizer-driven incremental maintenance）对 ETL/ELT 形态可能有长期影响。

  6. 长期主义的生产系统经验仍然稀缺且有价值。Twenty Years of Bigtable 这类回顾论文提醒我们：接口稳定、内部持续重构，是生产系统跨越十年的关键能力。