GRAB-ANNS：基于 GPU 原生分桶的高吞吐索引与混合搜索
数据库
2026-04-21 v1 信息检索
摘要
混合搜索即同时优化向量相似度和结构化谓词过滤，已成为现代 AI 驱动系统的基本构建模块。虽然最近的谓词感知 ANN 索引在 CPU 上改进了过滤效率，但其性能受限于内存带宽和并行度。虽然 GPU 提供了巨大的并行性和优越的内存带宽，但直接将 CPU 导向的混合搜索算法移植到 GPU 上会导致严重的性能下降，due to 架构不匹配，包括不规则的内存访问、分支发散和过度的 CPU-GPU 同步。本文提出 GRAB-ANNS，一个面向动态混合搜索的高吞吐 GPU 原生图索引。我们的关键洞察是从硬件优先的角度重新思考混合索引。我们引入基于桶的内存布局，将范围谓词转换为轻量级的桶选择，从而实现协调的内存访问和高效的 SIMT 执行。为在任意过滤器下保持全局可导航性，我们设计一种混合图拓扑，将稠密的桶内局部边与稀疏的桶间远程边相结合。我们进一步开发了一个仅追加的更新管道，支持 GPU 上高效的批量插入和并行图维护。广泛的实验显示，GRAB-ANNS 在大规模数据集上实现最高可达 240.1 倍的查询吞吐量和 12.6 倍的索引构建速度，显著优于最先进的 CPU 系统，以及针对优化 GPU 原生重新实现的 10 倍吞吐量，同时保持高召回率。
引用
@article{arxiv.2604.16402,
title = {GRAB-ANNS: High-Throughput Indexing and Hybrid Search via GPU-Native Bucketing},
author = {Xinkui Zhao and Hengxuan Lou and Yifan Zhang and Junjie Dai and Shuiguang Deng and Jianwei Yin},
journal= {arXiv preprint arXiv:2604.16402},
year = {2026}
}