Dostoevsky：通过自适应移除多余合并来优化基于 LSM-Tree 的键值存储的空间-时间权衡

Lobsters Hottest 2026/10/05 20:18 论文

lsm-trees key-value-stores storage-systems database compaction performance-optimization

摘要

本文提出了 Dostoevsky 系统，通过在压缩（compaction）过程中自适应地移除多余的合并操作，改善基于 LSM-Tree 的键值存储的空间-时间权衡，性能优于现有的压缩策略。

查看原文

查看缓存全文

缓存时间: 2026/10/05 21:16

这份输入是 PDF 文件的二进制原始数据（其中的文本流被 FlateDecode 压缩过），不是可读的 Markdown 文章内容，因此没有可翻译的文字。请提供以下任一形式，我即可翻译： - PDF 中提取出的纯文本或 Markdown 内容 - 未被压缩的文档正文 - 该论文的网页版链接（如 arXiv 的 HTML 版本）例如，该来源似乎是与 Dostoevsky 相关的论文（可能来自 https://nivdayan.github.io/ ），如果你能把其中的正文文本粘贴过来，我可以立即将其译为简体中文。

相似文章

MosaicKV：使用动态二维KV缓存压缩服务长上下文LLM

arXiv cs.LG

MosaicKV引入了用于长上下文LLM服务的动态二维KV缓存压缩，实现了高达16倍的注意力加速和3倍的内存减少，且精度损失极小。

Practical Online KV Cache Compaction for LLM Agents: An Empirical Study

arXiv cs.CL

This empirical study examines practical online KV cache compaction for LLM agents, comparing token eviction and attention matching methods under different proxy query sources. It finds that delaying compaction to use future agent queries recovers performance, and token eviction preserves accuracy while reducing KV cache by 80%.

S$^4$R: Selective Sampling, Subspaces, and Sparse Reconstruction for Compressed Long-Context KV Caching

arXiv cs.CL

This paper introduces S4R, a low-rank KV cache compression method that combines selective token sampling, subspace construction, and sparse reconstruction to achieve up to 5× compression with near full-cache accuracy on LongBench and RULER benchmarks.

@Greptime: 我们更新了对GreptimeDB内部存储引擎Mito2的深入解析，涵盖LSM-tree写入路径、列式Parquet SST等……

X AI KOLs Following

GreptimeDB的Mito2存储引擎采用LSM-tree设计，结合列式Parquet SST、三级扫描剪枝以及TWCS压缩。该博客文章对其架构进行了全面解析。

长时段LLM智能体服务的并行上下文压缩

arXiv cs.AI

介绍了用于长时间范围LLM智能体的并行上下文压缩，实现了对摘要量的细粒度控制，并相比多个骨干模型上的顺序同步压缩，降低了端到端延迟。