阿里云研究型实习生 - PolarDB in-DB AI协同加速推理
任职要求
1.计算机相关方向博士，包括，计算机科学、人工智能、软件工程或相关专业； 2.有相关领域顶会论文（包括但不限于SIGMOD,ICDE,VLDB,ICML,ICLR,AAAI,NeuralPS等）发表； 3.熟练掌握Linux环境下的C++/Python/JAVA等1至2种以上语言，具备复杂系统的设计…
工作职责
1）构建数据库内AI推理系统架构，高效整合CPU，GPU等资源，设计数据迁移管理机制，优化模型（包括大模型和小模型）的核心性能指标； 2）研发具备负载自适应能力的推理框架，开发高精度指标采集模块，实现基于实时负载特征的动态参数调优功能； 3）研究在精度可接受范围内，多种近似推理及轻量化技术，包括采用模型压缩（如量化、剪枝）或近似算法（如近似最近邻搜索）降低计算开销。
随着互联技术的快速发展，CXL（Compute Express Link）为云原生数据库架构设计与优化带来了全新机遇。CXL通过与本地内存一致的load/store语义，实现硬件支持的内存池化和共享，并支持多种形式的内存扩展。本项目聚焦于探索CXL在云原生数据库中的应用，主要研究内容包括但不限于以下几点： 1. CXL分离式内存场景下的索引设计与优化：研究如何在分离式内存模型中构建高效索引，提升数据访问性能。 2. 基于CXL共享内存的分布式事务协议优化：设计适配CXL共享内存特性的分布式事务协议，提高事务处理效率。 3. 基于CXL共享内存的新分布式锁协议：开发高效的分布式锁机制，以更好支持并发控制。 通过本项目，将充分挖掘CXL在云原生数据库中的潜力，推动架构的灵活性和性能进一步提升。
发现数据库系统的性能瓶颈并作出针对性优化是一项重要工作。随着各类智能算法的发展和应用，学术界和业界也逐渐开始利用智能算法优化数据库系统中的各种模块，我们也考虑在实际产品中实现智能化数据库调优能力，项目内容包括但不局限于: 1、数据库可观察性接口：云原生数据库系统含有多种资源，针对性能问题实现系统可观测接口，数据收集与清洗； 2、数据库可操控性接口：定量化数据库系统对外提供的可操控接口特性； 3、多时间尺度的数据库性能分析模型：需要将已有的系统可观察性和可操控性模型化、定量化，建立多时间尺度的系统状态评估模型和状态迁移模型； 4、具有特征性的数据库性能调优算法：基于已有的可观、可控接口及数据库性能模型，设计并实现用于智能化自适应的数据库性能调优算法。
基于 RDMA/CXL 技术的分布式数据库性能优化研究，具体职责包括： 1. 参与基于RDMA/CXL技术的PolarDB for PostgreSQL分布式数据库的优化与实现，降低数据同步延迟和提升内存访问效率； 2. 构建并测试RDMA/CXL优化原型系统，确保其在高并发、低延迟场景下的性能优势，并根据实验结果进行迭代优化； 3. 与团队成员紧密合作，共同探索RDMA/CXL技术在分布式数据库中的最佳实践，推动技术创新与应用； 4. 负责制定详细的性能测试计划，分析原型系统的性能瓶颈，并提出有效的优化策略。
随着近些年机器学习与表征学习的发展，非结构化数据的查询和分析变得更加普遍。通过表征学习，我们可以把图片或文本嵌入到高维空间从而用高维向量来代表这些图片或文本。进一步的，通过在高维空间中查找最近邻，我们可以对非结构化数据进行语义搜索。例如，通过检索增强生成技术（RAG），我们可以将外部知识或领域知识进行向量化，利用向量空间中的近邻搜索得到对应的原始知识，对大语言模型的生成结果进行增强，来减少大模型出现幻觉或知识过时的现象。 为了提升数据库产品对AI应用的支持，阿里云瑶池数据库也全面提升了向量检索能力，在PolarDB、RDS、AnalyticDB、Lindorm、Tair等产品中集成了向量功能，实现结构化数据、半结构化数据、多模数据、向量数据的一体化处理。 然而，目前向量索引主要关注查询速度和准确率，对于实际复杂场景下的搜索问题还没有足够的研究。例如，分布式架构下的向量查询索引、结构化与非结构化数据的联合查询，以及数据动态增删场景下的索引优化等问题，都需要进一步探索和研究。