为了减轻内存开销并减少关键路径上的数据移动，一种计算和空间效率高的学习索引有望提供高性能，并对传统索引结构进行补充。然而，在动态工作负载中，由于新插入项的数据放置效率低下和密集的锁争用，学习索引会导致性能下降，可扩展性差。此外，模型的重新训练耗时且阻塞，影响了索引操作的性能。

为了满足动态工作负载和高效重训练的需求，信息存储与光显示功能实验室博士生莫宇轩在华宇教授的指导下，提出了一种高度可扩展的自适应学习索引，即LOFT。LOFT采用无锁设计和自调整的重训练技术，可提供高吞吐量和低延迟。LOFT 通过使用比较与交换（CAS）原语和扩展的学习桶来处理溢出数据，使所有索引操作都能以无锁方式并发执行。为了最大限度地减少模型重新训练的影响，LOFT 利用影子节点为客户请求提供服务，并借助索引操作加速重新训练过程。为了适应动态工作负载，LOFT 会根据推断出的访问模式来决定何时以及如何执行重新训练。大量的实验结果表明，相比现有的传统索引结构，自适应基数树和最新的学习型索引方案, LOFT能够提高有效地提高吞吐，降低延迟，并且实现高可扩展性。

这项研究工作题为“LOFT: A Lock-free and Adaptive Learned Index with High Scalability for Dynamic Workloads”，被中国计算机学会推荐的A类国际学术会议The 20th European Conference on Computer Systems (EuroSys’25)录用。研究工作得到了国家自然科学基金项目（No. 62125202和No. U22B2022）的支持。

图 1 LOFT重训练流程图

图 2 不同索引结构在不同的读写比例负载下执行索引操作的性能