苏州大学 | 计算机科学与技术学院数据智能与网络计算团队论文再被数据库顶级会议SIGMOD录用

近日，苏州大学计算机科学与技术学院数据智能与网络计算团队撰写的论文“Dynamic Flat Filter: A Unified Framework for Scalable and Stable Fingerprint-Based Filters”被国际数据库领域顶级会议ACM SIGMOD 2026录用为长文。这是继2024年团队在该会议上发表苏州大学首篇、江苏省高校第一完成单位第三篇论文之后，再次取得的重要突破，充分展现了我院在数据库基础研究领域的持续创新能力和国际学术影响力。

ACM SIGMOD是由美国计算机协会(ACM)数据管理专业委员会(Special Interest Group on Management Of Data)发起、数据库系统领域历史最悠久且学术地位最高的国际性学术会议，每年吸引全球各国顶级研究单位投稿，对研究成果的创新性、系统设计的完备性和实验设计的完整性都有着极高的要求。收录论文的质量、影响力一直以来在数据库领域的顶会/顶刊中高居首位。

在现代数据密集型系统（如键值存储、数据库引擎等）中，近似成员查询数据结构（即各类“过滤器”）发挥着至关重要的基础组件作用。它就像是数据库的智能前哨，不仅能快速拦截海量数据中无效的查询请求，还能为常规查询显著提速，即通过在有限内存下快速验证数据归属，避免系统进行耗时耗力的底层检索，从而极大降低服务器的压力与开销。然而，传统的过滤器容量往往固定，难以应对现实中规模不可预测的海量动态数据。现有的扩容方案普遍面临挑战：不仅会在查询时导致性能退化或引发长时间的系统停顿，而且扩容机制与底层结构深度绑定，容易导致过滤的误判率（假阳率）随数据量扩张而上升。

为解决上述领域痛点，团队提出了一套名为Dynamic Flat Filter（DFF）的统一动态扩展框架。该框架的核心思路是将动态扩容机制与过滤器的底层结构彻底解耦。通过引入可变数量的独立子过滤器与目录式查找表，DFF实现了常数时间复杂度的快速定位与扩容。当数据量增长时，系统仅需对单个满载的子过滤器进行局部分裂，有效避免了全局重建带来的巨大系统开销与延迟抖动。针对持续扩容引发的精度下降问题，团队进一步设计了自适应的指纹增长策略，通过为新增数据段分配更长的指纹，在数据集规模持续扩张时依然维持高度稳定的假阳率。

基于大规模真实数据集的实验结果证实了该设计的有效性。主流过滤器（如Cuckoo Filter和Quotient Filter）仅需修改不多于60行代码即可接入该框架，在获得动态扩展能力的同时，保留其原有的读写性能与内存利用率。在查询密集型场景下，DFF的整体吞吐量提升至现有最优方法的1.33倍以上；在应对频繁扩容时，将最坏情况下的插入延迟相较于基准系统降低了高达59.5%。

该工作在同行评议阶段得到了SIGMOD匿名评审专家的高度评价。多位独立审稿人一致认可DFF框架简洁巧妙、易于部署的设计理念，认为其不仅以化繁为简的方式应对了复杂的动态扩展难题，更展现了将任意指纹型过滤器转化为可扩展结构的通用性潜力，有望对学术界与工业界的后续相关研究产生积极的启发与深远影响。

论文作者为杜扬副教授、硕士研究生季善奎、黄河教授、孙玉娥教授、硕士研究生高歌以及高国举副教授。该项研究工作得到了国家自然科学基金重点项目和国家自然科学基金面上项目的支持。