本書主要研究了基于日志結(jié)構(gòu)合并樹LSM-tree的鍵值存儲系統(tǒng)的性能優(yōu)化問題，具體包括優(yōu)化LSM-tree合并機制減少寫放大來提升寫入性能，構(gòu)建自適應LSM-tree結(jié)構(gòu)進一步動態(tài)改善讀寫性能和尾延遲問題，以及基于相關(guān)性的鍵值存儲自動調(diào)優(yōu)系統(tǒng)以實現(xiàn)對LSM-tree鍵值存儲系統(tǒng)更全面地的優(yōu)化。本書的主要的研究內(nèi)容如下。1.面向新硬件的LSM-tree寫性能優(yōu)化的合并機制研究。2.資源負載自適應LSM-tree結(jié)構(gòu)的鍵值存儲優(yōu)化。3.基于強化學習的LSM-tree鍵值存儲自動調(diào)優(yōu)系統(tǒng)研究。4.基于LSM-tree鍵值存儲系統(tǒng)的知識圖譜系統(tǒng)優(yōu)化。為了加速查詢翻譯生成的鍵值操作，本書還提出了基于非易失性內(nèi)存查詢性能加速的知識圖譜系統(tǒng)。KGB主要包含面向鄰域查詢加速的NVM輔助索引，用于降低鍵值存儲的讀取成本；快速響應的改進Raft算法，用于實現(xiàn)高效的鍵值存取操作；以及面向鍵值存儲引擎的調(diào)優(yōu)機制，為知識圖譜存儲系統(tǒng)獲得了額外的性能提升。通過實驗表明，KGB能有效降低知識圖譜系統(tǒng)的平均延遲和尾延遲的影響，實現(xiàn)更高顯著的性能提升。