DIMS：度量空间相似性搜索的分布式索引

相似性搜索基于相似性度量找到与给定查询对象相似的对象。随着数据的数量和种类的不断增长，针对度量空间的相似性搜索获得了广泛关注。度量空间可以容纳任何类型的数据并支持灵活的距离度量，使其在许多实际应用中都有益于相似性搜索，包括多媒体检索、个性化推荐、轨迹分析、数据挖掘、决策规划和分布式服务器。然而，现有研究大多 focus on 单机上构建度量空间的索引，面临着随数据volume和查询数量增加的效率和可扩展性限制。近期的相似性搜索发展趋势转向分布式方法，但面临着本地数据管理效率低、工作负载不均衡以及并发搜索效率低等挑战。为此，我们提出DIMS，一种用于度量空间相似性搜索的高效分布式索引。首先，我们设计一种新型的三阶段异构分区以实现工作负载平衡。然后，我们提出一种有效的三阶段索引结构以高效管理对象。我们还开发了支持高效分布式相似性搜索的并发搜索方法，包括过滤和验证技术。此外，我们构思了一个基于成本的优化模型，以平衡通信和计算成本。大量实验表明，DIMS 在现有分布式相似性搜索方法中显著优于其他方法。