​使内存中的学习型索引在磁盘上高效

SGACRU准则包括：

G1: (Search) 根据磁盘和工作负载特征，在“最后一英里”搜索期间确定叶页获取策略。

G2: (Granularity) 确定学习模型的预测粒度（例如，项与页）。

G3: (Alignment) 利用页面对齐扩展索引训练的错误界限，以减少模型数量，同时保持相同的预期I/O页面。

G4: (Compression) 通过压缩模型参数减少内存使用，接受与主导I/O时间相比微不足道的CPU开销增加。

G5: (Robustness) 对于CDF难以学习的数据集，回退到高效压缩的区域映射索引。

G6: (Update) 使用混合索引进行高效更新。

这一套通用的转换和优化准则在提升索引结构的速度、空间利用、鲁棒性、智能化水平等方面具有显著优势，同时减轻了研究人员设计磁盘场景下学习型索引的负担。具体包括：

（1）结合磁盘特性和学习型索引的特点，提出了内存和磁盘交互、模型预测的粒度两方面的优化策略，以加速基于磁盘的学习型索引的响应速度。

（2）总结了多种学习型索引的构建算法，并提出通用的优化，可以显著减少索引的内存占用，同时保持高效的查询性能。

（3）从功能性和鲁棒性的角度分别提供相应的优化策略，有助于研究人员更好地理解和高效使用学习型索引。

（4）这一通用转换方法可应用于现有的内存中的学习型索引，使研究人员无需为磁盘场景重新设计索引结构，从而有效提高了开发效率。

       该工作提升了学习索引在磁盘上的性能和效率，推动了人工智能与数据库融合的学习型索引的发展，具有重要的理论和应用价值。本论文一作为上海期智研究院实习生、清华大学交叉信息学院博士生张缴怡。